Comprendere le basi e gli strumenti della Data Science

I dati sono spesso considerati enfaticamente il “nuovo petrolio”.

Al di là dell’enfasi giornalistica e mediatica, questa dichiarazione mostra come ogni moderno sistema informativo debba essere guidato dall’acquisizione, dall’archiviazione e dall’analisi dei dati per valorizzarne il ruolo di asset aziendale, a fini strategici e competitivi.

Che si tratti di prendere decisioni di Business o predisporre una efficace campagna di marketing, tutti questi scenari implicano l’adozione di un approccio multidisciplinare nell’utilizzo di modelli matematici e statistici, nonchè l’impiego di grafici, oltre alla predisposizioni di algoritmi predittivi.

È necessario quindi dotarsi di opportuni strumenti di analisi in grado di soddisfare tutte queste diverse esigenze della Data Science, patroneggiandone le capacità predittive.

Il Corso “Data Science Essentials” si propone di esporre le tecniche utilizzate nella Data Science utilizzando gli svariati tools di analisi implementati con il linguaggio di programmazione Python.

Corso “Data Science Essentials”

Il Corso “Data Science Essentials” si rivolge a tutti coloro (Aziende, Enti, liberi Professionisti, Studenti) i quali siano interessati a conoscere e comprendere le basi e gli strumenti della Data Science.

I contenuti proposti sono fruibili anche da un pubblico che non dispone di una precedente esperienza in ambito Data Science.

È tuttavia consigliabile una conoscenza (anche solo di base) nella scrittura di script nel linguaggio di programmazione Python.

Durata del Corso e Modalita di fruizione

La durata del Corso “Data Science Essentials” è di 40 ore complessive; le lezioni saranno erogate in diretta con il docente in modalità Web Conference.

L’erogazione del Corso “Data Science Essentials” è disponibile sia in forma collettiva per Aziende ed Enti, che individuale per professionisti e studenti.

È prevista la possibilità di concordare con il docente del Corso il calendario delle lezioni personalizzato sulla base delle proprie esigenze di apprendimento.

Tutor Online

Per i contenuti esaminati in questo modulo didattico è possibile usufruire del Servizio “Tutor Online”.

Attestato in formato Open Badge

Al termine del Corso i partecipanti riceveranno l’Attestato in formato Open Badge che attesta le competenze conseguite.

Info e Iscrizioni

Per richiedere informazioni dettagliate su costi e calendario del Corso “Data Science Essentials”, compilare il form sottostante:

Preiscrizioni e Richiesta info

    Per ulteriori informazioni sui costi e sul calendario dell'evento, compilare il form sottostante:

    Inserire eventuali note aggiuntive

    Indice degli Argomenti

    • Introduzione alla Data Science

      • installare Anaconda Python
      • Virtual Environments
      • Jupyter Notebooks
    • Come ottenere i Dati

      • Files di testo formattato
      • Web Scraping
      • JSON and XML
      • Usare le Api di Twitter
    • Visualizzare i Dati

      • Matplotlib
      • Bar Charts
      • Line Charts
      • Scatterplots
    • Algebra Lineare

      • Vettori
      • Matrici
      • Operazioni
    • Statistica

      • Descrivere un dataset
        • misure di tendenza centrale
        • misure di dispersione
      • Correlazione
      • Paradosso di Simpson
      • Correlazione vs Causazione
    • Probabilità

      • Dipendenza e Indipendenza
      • Probabilità condizionali
      • Teorema di Bayes
      • Variabili casuali
      • Distribuzioni continue
      • Distribuzione normale
      • Teorema del Limite Centrale
    • Verifica delle Ipotesi e Inferenza

      • Test statistici
      • p-Values
      • intervalli di confidenza
      • p-Hacking
      • A/B Test
      • Inferenza Bayesiana
    • Regressione Lineare e Multipla

      • Metodo dei Minimi Quadrati
      • Valutazione del modello
      • Errori standard dei coefficienti
      • Regolarizzazione
    • Regressione Logistica

      • La funzione logistica
      • Applicazione del midello
      • Valutazione delle stime
    • Algoritmi Predittivi

      • Support Vector Machines
      • Clustering
      • k-Nearest Neighbors
      • Naive Bayes
      • Decision Trees
      • Gradient Descent