Percorso da Data Scientist con Python

Utilizzare un pc Windows o Mac è indifferente? I comandi Python sono gli stessi, purtroppo in casi eccezionali potrebbero verificarsi problemi legati al sistema operativo con Mac ma abbiamo curato anche questo aspetto e qualora ci fossero delle differenze verrà sempre mostrata una soluzione equivalente per Mac. 

Sono richieste conoscenze di base? Non è richiesta nessuna conoscenza di base. (Se non quella di aver acceso un pc almeno una volta nella vita)

Il corso comprende anche la programmazione ad oggetti? No. Il percorso che trovi su questa Academy è incentrato sulla parte scientifica di Python, in particolare l’ambito Data Science, perciò ciò che troverai in questo, e nei corsi a seguire, è finalizzato alla formazione in questo ambito.

1. Introduzione ai grafici
   1. Scatterplot
2. Grafici a barre
   1. Barplot
   2. Instogrammi
3. Linechart e Heatmap
   1. Linechart e Heatmap
   2. Esercitazione Grafici (quiz)

1. Importazione e Salvataggio
   1. Importazione e Salvataggio
   2. Confronto tra estensioni
2. Data Cleaning
   1. EDA – Exploratory Data Analysis
   2. Data Cleaning
   3. Outlier Detection
3. Data Wrangling
   1. Gestione delle date – Il formato delle date
   2. Gestione delle date – Operazioni sulle date
   3. Gestione delle date – I timestamp
   4. Data Wrangling – Operazioni di base
   5. Data Wrangling – Teoria sui Join
   6. Data Wrangling – Esempio pratico di Join
   7. Data Wrangling – I formati long e wide
   8. Esercitazione manipolazione dei dati (quiz)

1. Manipolazione dati
   1. Funzione manipolazione stringhe
   2. Regex
2. Text Mining
   1. Text Mining – Spazio vettoriale e tokenizzazione
   2. Text Mining – Preprocessamento di un documento
   3. Text Mining – La matrice Termini-Documenti
   4. Text Mining – La wordcloud
3. Web Scraping
   1. Web Scraping – Esempio 1: informazioni Premiere League
   2. Web Scraping – Esempio 2: i 100 film più belli IMDB
   3. Web Scraping – Esempio 2: i 100 film più belli IMDB – Parte 2
   4. Web Scraping – Esempio 2: i 100 film più belli IMDB – Parte 3
   5. Esercitazione Text Mining (quiz)

1. Introduzione
   1. Introduzione
2. Approccio supervisionato
   1. KNN – EDA sull’esempio didattico
   2. KNN – Il modello statistico
   3. KNN – Ottimizzare il modello
   4. KNN – Aggiornare i risultati
   5. KNN – Il caso di un E-Commerce
   6. KNN – Il caso CRM
   7. Naive Bayes – Esempio didattico
   8. Naive Bayes – Il caso dell email spam
   9. Naive Bayes – Il caso CRM
   10. Alberi Decisionali – Capire la logica di un albero
   11. Alberi Decisionali – Gli alberi di regressione
   12. Alberi Decisionali – Il caso del credito a consumo
   13. Alberi Decisionali – Il caso delle campagne marketing
3. Approccio non supervisionato
   1. Clustering – Introduzione al Clustering
   2. Clustering – Analisi dei risultati
   3. Clustering – I metodi a partizionamento
4. Market Basket Analysis
   1. Market Basket Analysis – Introduzione ed Esempio
   2. Market Basket Analysis – Caso di studio
   3. Market Basket Analysis – EDA sul caso di studio
   4. Market Basket Analysis – Apriori sul caso di studio
5. Random Forest
   1. Random Forest – Esempio didattico
   2. Random Forest – Caso di Studio
6. Approfondimento
   1. Neural Network – Introduzione alle reti neurali
   2. Neural Network – Addestramento della rete
   3. Metodi a confronto
   4. Network Analysis – Teoria dei Grafi
   5. Network Analysis – Creazione del Grafo
   6. Network Analysis – Indici di Centralità
   7. Esercitazione Machine Learning