Prodotto è stato aggiunto al tuo carrello.

Percorso da Data Scientist con R

Questo percorso ti aiuterà ad acquisire competenze da Data Scientist con software R per visualizzare, manipolare e analizzare dati. Inoltre imparerai diversi algoritmi di Machine Learning e tecniche di Text Mining e Web Scraping per raccogliere dati da fonti web.

Insegnante

Riccardo Di Nisio

11 studenti iscritti

Acquista il Bundle completo per diventare Esperto di AI Industriale

Scopri di più

01

Introduzione a R – Operazioni e Cicli

Eleva la tua abilità di programmazione con R

Descrizione: In questo modulo imparerai a muovere i primi passi con R attraverso l’installazione del software e la configurazione dell’ambiente di sviluppo. In seguito, verranno presentati dei concetti fondamentali, come i vettori, alcune funzioni di base e i cicli. L’obiettivo del modulo è di farti conoscere ed utilizzare le diverse strutture dati che ti saranno utili in futuro.

Introduzione e installazione
1. Introduzione – Cos’è la Data Science ed i suoi Benefici
2. Introduzione – Tipologia di Analisi
3. Introduzione – Cosa vedremo
4. Introduzione e installazione di R
Strutture Dati
1. Aritmetica di base
2. Vettori – Creazione di un Vettore e Operazioni di base
3. Vettori – La Natura dei Vettori
4. Vettori – Selezione degli elementi
5. Funzioni di Base
6. Strutture dati
Funzioni e cicli
1. Operatori logici, Funzioni e Strutture di controllo
2. Loop, for e while
3. Quiz – Vettori
4. Quiz – Funzioni

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.

02

Data Visualization in R

Visualizza i dati in modo professionale

Descrizione: In questo modulo imparerai ad utilizzare R per creare grafici che ti aiuteranno a scoprire insights utili nel tuo lavoro. Vedrai come utilizzare Ggplot 2, una delle librerie più comuni per la visualizzazione dei dati e come realizzare barplot, istogrammi, scatterplot, linechart e heatmap. Inoltre, sarai in grado di personalizzare i grafici per renderli più leggibili ed efficaci.

Introduzione ai grafici
1. Grafici di R base – La Funzione Plot
2. Grafici di R base – Il Barplot
3. Grafici di R base – Instogrammi
4. Quiz – Grafici Base
GGPLOT2
1. Introduzione a Ggplot2
2. Ggplot2 – Le funzioni di base
3. Ggplot2 – Le funzioni di personalizzazione
4. Quiz – Ggplot2
Scatterplot e Linechart
1. Scatterplot e Linechart – Le Funzioni di base
2. Scatterplot e Linechart – Faceting
3. Scatterplot e Linechart – Linee di Regressione
4. Scatterplot e Linechart – I grafici Lineari
5. Scatterplot e Linechart – I Lollipot
6. Scatterplot e Linechart – Le Serie Temporali
7. Scatterplot e Linechart – Dygraph
Istogrammi, Barplot e Heatmap
1. Istogrammi, Barplot e Heatmap – Ggplot2 e Geom_histogram
2. Istogrammi, Barplot e Heatmap – Il comando Barplot
3. Istogrammi, Barplot e Heatmap – La geom_tile

03

Data Manipulation con R

Imparerai ad importare diversi tipi di file, classificarli ed elaborarli in ogni parte

Descrizione: Il proposito del modulo è di insegnarti tutto il percorso di gestione del dato, partendo dall’acquisizione fino ad arrivare alla sua manipolazione, passando per la lettura, osservazione e pulizia. Imparerai che non sempre (o quasi mai) il dato che ti arriverà è quello che vorresti e dovrai fare del lavoro per ottenere un dato elaborabile e valoriale.

Importazione e Salvataggio dei Dati
1. Importazione e Salvataggio dei dati – Gestione della Working Directory
2. Importazione e Salvataggio dei dati – File .csv
3. Importazione e Salvataggio dei dati – File .txt
4. Importazione e Salvataggio dei dati – File .xlsx
5. Importazione e Salvataggio dei dati – File JSON
6. Importazione e Salvataggio dei dati – Importazione tramite URL
7. Importazione e Salvataggio dei dati – Funzioni di Salvataggio
8. Importazione e Salvataggio dei dati – Serializzazione dei Dati
9. Approfondimento Importazione
Exploratory Data Analysis
1. Exploratory Data Analysis – Tipologia dell’oggetto
2. Exploratory Data Analysis – Statistiche Descrittive
Data Cleaning
1. Data Cleaning – Imputazione dei Dati Mancanti
2. Data Cleaning – Lavorare con i Dati Mancanti
Outlier Detection
1. Outlier Detection – Come identificare gli Outlier
2. Outlier Detection – Boxplot Per gruppi di Unità
3. Outlier Detection – Il Test Chi-Quadrato
Gestione delle Date
1. Gestione delle Date – Formati date e Posix
2. Gestione delle Date – Calcoli con le Date
Data Wrangling
1. Data Wrangling – Funzioni che operano sui Vettori
2. Data Wrangling – Lag e Lead
3. Data Wrangling – Case When
4. Data Wrangling – Funzioni che operano sul Data Frame
5. Data Wrangling – Mutate, Transmutate e Arrange
6. Data Wrangling – Pipe e Summarise
7. Data Wrangling – Group By e Count
8. Data Wrangling – Join
9. Approfondimento – Dplyr
10. Approfondimento – Reshape2
11. Quiz – Data Manipulation

04

Text Mining e Web Scraping con R

Scopri il potere delle parole e dei dati

Descrizione: In questo modulo acquisirai le competenze per effettuare Text Mining e Web Scraping utilizzando R. Imparerai a manipolare le stringhe utilizzando le funzioni e le espressioni regolari di R e ad identificare ed estrarre le combinazioni di variabili ricorrenti (pattern). Sarai in grado di utilizzare anche le tecniche di web scraping per recuperare dati strutturati e non strutturati da pagine web.

Manipolazione dati
1. Introduzione al Text Mining e Web Scraping
2. Funzioni di Manipolazione Stringhe – Operazioni di Base
3. Funzioni di Manipolazione Stringhe – Le Funzioni Grepl
4. Funzioni di Manipolazione di Base – Il pacchetto Stringr
5. Funzioni Regolari – Riconoscere i Pattern
6. Funzioni Regolari – Metodi di Sostituzione
7. Funzioni Regolari – Selezionare Occorrenze Alternative
8. Quiz – Manipolazione
Text Mining
1. Text Mining – Introduzione ed Esempio
2. Text Mining – Caso di Studio
3. Text Mining – Visualizziamo graficamente i Risultati
Web Scraping
1. Web Scraping – La struttura Web
2. Web Scraping – Caso di studio
3. Quiz – Text Mining e Web Scraping

05

Machine Learning con R

Imparerai diversi algoritmi di Machine Learning e Deep Learning.

Descrizione: Questo modulo ha l’obiettivo di spiegarti cos’è il Machine Learning e di insegnarti diversi algoritmi per diversi casi d’uso. Alla fine di questo modulo saprai quale algoritmo applicare per un certo tipo di dato e saprai realizzare il tuo modello statistico. In conclusione, il modulo include una piccola parentesi sul mondo del Deep Learning e quindi delle Reti Neurali.

Introduzione al Machine Learning
1. Introduzione
Approccio supervisionato
1. KNN – Teoria ed esempio didattico
2. KNN – Visualizziamo i risultati
3. KNN – Caso di studio – E-Commerce
4. KNN – Caso di studio – E-Commerce – Previsione
5. KNN – Caso di studio – Banking
6. KNN – Caso di studio – Banking – Previsione
7. Quiz – KNN
8. Naive Bayes – Teoria ed esempio didattico
9. Naive Bayes – Caso di studio – Spam Detection
10. Naive Bayes – Caso di studio – Spam Detection – Previsione
11. Naive Bayes – Caso di studio – Banking
12. Quiz – Naive Bayes
13. Alberi Decisionali – Teoria ed esempi didattici
14. Alberi Decisionali – Gli alberi di regressione
15. Alberi Decisionali – Caso di studio – Direct Marketing
16. Alberi Decisionali – Caso di studio – Cross-Selling
17. Alberi Decisionali – Caso di studio – Cross-Selling – Utilizzo di un sottocampione
18. Alberi Decisionali – Caso di studio – Cross-Selling – Previsione
19. Alberi Decisionali – Caso di studio – Il caso Mailing
20. Quiz – Alberi Decisionali
Approccio non supervisionato
1. Clustering – Teoria e Approccio agglomerativo
2. Clustering – Esempio didattico
3. Clustering – Approccio a Partizionamento
4. Clustering – Caso di studio – CRM
5. Quiz – Clustering
Market Basket Analysis
1. Market Basket Analysis – Teoria e Groceries Dataset
2. Market Basket Analysis – Caso di studio – Piattaforma E-Learning
3. Market Basket Analysis – Caso di studio – Piattaforma E-Learning – Analisi dei risultati
4. Quiz – MBA
Random Forest
1. Random Forest
2. Quiz – Random Forest
Approfondimento
1. Neural Network
2. Quiz – Neural Networks
3. Metodi a confronto
4. Teoria dei Network
5. Network Analysis – Esempio sui Quaccheri
6. Network Analysis – Esempio sui Quaccheri – Il cammino minimo
7. Quiz – Network Analysis
8. Regressione Lineare – Teoria ed esempio didattico
9. Regressione Lineare – Caso di studio – Marketing Revenue
10. Quiz – Regressione Lineare