2016 – 2018 Diennea Srl, Faenza — Architetto software • Progettazione, realizzazione e mantenimento di MagNews, piattaforma distribuita per il marketing digitale. • Attivit`a di analisi dati e reportistica sul database di clienti della piattaforma.

2012- 2015 Imola Informatica Spa, Imola — Consulente IT, architetto software • Progettazione dell’architettura dei sistemi informatici per diversi clienti in ambito bancario e assicurativo. • Realizzazione di modelli basati sul Semantic Web, rivolti al miglioramento dei processi di governance delle architetture IT.

2010 – 2012 Accurate Solutions, Cesena — Cofondatore e Chief Science Officer • Realizzazione di simulatori innovativi rivolti ai processi di educazione continua in medicina. • Team leader: sviluppo di un simulatore software del sistema cerebrovascolare umano. • Progettazione e realizzazione di un simulatore “full-scale” per l’addestramento all’ecografia muscolo-scheletrica, basato su Arduino e Java.

Attivit`a scientifica 2016 – oggi International Conference on Big Data Analytics, Data Mining and Computational Intelligence • http://bigdaci.org/ • Membro del comitato di programma e review degli articoli sottoposti alla conferenza. 2012 – 2017 International Conference on Complex Networks • https://complenet.weebly.com/ • Membro del comitato di programma e review degli articoli sottoposti alla conferenza. 2011 – oggi International Journal on Social Networks Analysis and Mining – Springer • Esperienza come revisore scientifico. 2010 – 2011 Assegno di ricerca postdoc in Ingegneria Informatica — Universit`a di Bologna • Ricercatore nell’ambito del progetto europeo SAPERE (Self-Aware PERvasive Ecosystems) • Referente di workpackage: coordinamento dei partner di progetto per la definizione di una nozione comune di “pervasive eco-system”. • Realizzazione di prototipi di sistemi pervasivi utilizzando pattern ispirati al comportamento dei sistemi naturali.

Pubblicazioni Spatial Coordination of Pervasive Services through Chemical-Inspired Tuple Spaces Mirko Viroli, Matteo Casadei, Sara Montagna, and Franco Zambonelli ACM Transactions on Autonomous and Adaptive Systems (TAAS), 6(2):124, 2011. Toward Approximate Stochastic Model Checking of Computational Fields for Pervasive Computing Systems Matteo Casadei and Mirko Viroli 2012 IEEE Sixth International Conference (SASOW 2012), pages 199204 Lyon, France. Elenco completo delle pubblicazioni https://scholar.google.it/citations?user=h8poavgAAAAJ&hl=it

Educazione mag. – ago. 2018 The Data Incubator – Data Science Fellowship • Vincitore di un posto al bootcamp avanzato in data science rivolto a PhD, organizzato da The Data Incubator (https://www.thedataincubator.com/), incubatore scientifico finanziato dalla Cornell University. • Argomenti: statistica, data collection, data cleaning e analysis, data visualization, machine learning, deep learning, reti neurali convoluzionali. • Framework e tecnologie utilizzati: Python, Pandas, Scikit-learn, Matplotlib, Bokeh, Tensorflow, Spark, Hadoop, Jupyter. • Link al sito del progetto finale: https://thecyclingfeast.herokuapp.com/. 2006 – 2010 Dottorato di Ricerca in Ingegneria Informatica — Universit`a di Bologna • Tesi: Self-organizing Coordination Systems, Proff. Antonio Natali e Mirko Viroli. • Realizzazione di modelli per la auto-organizzazione di dati in scenari distribuiti, ispirati al comportamento di colonie di insetti sociali (e.g. “brood sorting”). • Progettazione di modelli di coordinamento software ispirati alla biochimica in contesti pervasivi, quali pattern di coordinamento basati su “gradient descent”. • Definizione di metodologie di model-checking stocastico approssimato per la verifica formale di sistemi auto-organizzanti. 2003 – 2005 Laurea Specialistica in Ingegneria dei Sistemi e Tecnologie dell’Informazione Universit`a di Bologna • Tesi: I Servizi Web nella Progettazione Software a Componenti. • Relatore: Prof. Antonio Natali. • Votazione: 110/110 e Lode. 2000 – 2003 Laurea Triennale in Ingegneria Informatica — Universit`a di Bologna • Tesi: Web Service: Interazione tra Sistemi Distribuiti Eterogenei. • Relatore: Prof. Andrea Omicini. • Votazione: 110/110 e Lode.

Competenze • Java: esperienza pluriennale nell’uso di Java enterprise framework e tecnologie correlate. • Python: buona conoscenza delle librerie scientifiche Numpy, Pandas, Matplotlib, Scikitlearn. • Altri linguaggi di programmazione: conoscenza del linguaggio C. • Data analysis: esperienza avanzata di SQL. • Machine learning: esperienza con Linear Regression, Logistic Regression, SVM, Random Forest e tecniche di ensembling/stacking. • Deep learning: conoscenza dei modelli di deep neural network quali convolutional neural network per problemi di classificazione di immagini. • Framework per il calcolo numerico: utilizzo ed esperimenti con Tensorflow. • Big data: conoscenza di Apache Spark. • Cloud: esperienza con Google Cloud e AWS. • Ingegneria del software: esperienza pluriennale su progettazione di architetture IT, metodologie di sviluppo Agile, strumenti di continuous integration e software versioning qualil Git e SVN. • Altro: conoscenza dei sistemi operativi Linux/Unix-based.

Progetti The Cycling Feast • Progetto di data science rivolto ad appassionati di ciclismo per predire la popolarit`a del ciclismo in Italia e suggerire le migliori localit`a da scoprire pedalando. • Basato su dati collezionati dalla piattaforma Strava e su tecniche di machine learning facenti uso di “ensembling” di regressori lineari e random forest. • Tecnologie adottate: Python, Pandas, Scikit-learn, Matplotlib, Bokeh, Flask. • Link al sito di progetto: https://thecyclingfeast.herokuapp.com/. Driving Maneuver Classification • Progetto di data science per la classificazione delle manovre di guida a partire dai dati registrati da sensori installati a bordo auto, tramite random-forest classifier (dataset http: //www.robesafe.uah.es/personal/eduardo.romera/uah-driveset/). • Tecnologie adottate: Python, Pandas, Scikit-learn, Matplotlib, Bokeh. • Per maggiori dettagli: https://bitbucket.org/mcasadei/drivingmaneuverclassification. • Presentazione: https://drive.google.com/open?id=1Y7t3hu5ubO0bLVeixf3HFXkKnpnGPdtb. FruitRecognizerCNN • Esperimenti di convolutional neural network e Tensorflow per la classificazione di immagini contenenti 60 differenti tipi di frutta. • Tecnologie adottate: Python, Tensorflow. • Dataset utilizzato: Fruits-360 (https://github.com/Horea94/Fruit-Images-Dataset). • Per maggiori dettagli: https://bitbucket.org/mcasadei/fruitrecognizercnn/. Competizioni su Kaggle • Home Credit Default Risk : modelli basati su random-forest classifier, score finale nella leaderboard privata di 0.74465 (AUC score). • Statoil/C-CORE Iceberg Classifier Challenge: provati diversi modelli basati su SVM, ottenuno uno score di log-loss pari a 0.8103 sulla leaderboard privata.

Lingue • Italiano: madrelingua. • Inglese: ottima conoscenza della lingua scritta e parlata.