Esperto di AI per l’Industria

1. 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
2. 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
3. Funzioni e cicli
   1. Operatori logici, Funzioni e Strutture di controllo
   2. Loop, for e while
   3. Quiz – Vettori
   4. Quiz – Funzioni
4. 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
5. GGPLOT2
   1. Introduzione a Ggplot2
   2. Ggplot2 – Le funzioni di base
   3. Ggplot2 – Le funzioni di personalizzazione
   4. Quiz – Ggplot2
6. 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
7. 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
8. 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
9. Exploratory Data Analysis 
   1. Exploratory Data Analysis – Tipologia dell’oggetto
   2. Exploratory Data Analysis – Statistiche Descrittive
10. Data Cleaning
    1. Data Cleaning – Imputazione dei Dati Mancanti
    2. Data Cleaning – Lavorare con i Dati Mancanti
11. Outlier Detection
    1. Outlier Detection – Come identificare gli Outlier
    2. Outlier Detection – Boxplot Per gruppi di Unità
    3. Outlier Detection – Il Test Chi-Quadrato
12. Gestione delle Date
    1. Gestione delle Date – Formati date e Posix
    2. Gestione delle Date – Calcoli con le Date
13. 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
14. 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
15. Text Mining
    1. Text Mining – Introduzione ed Esempio
    2. Text Mining – Caso di Studio
    3. Text Mining – Visualizziamo graficamente i Risultati
16. Web Scraping
    1. Web Scraping – La struttura Web
    2. Web Scraping – Caso di studio
    3. Quiz – Text Mining e Web Scraping
17. Introduzione al Machine Learning
    1. Introduzione
18. 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
19. 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
20. 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
21. Random Forest
    1. Random Forest 
    2. Quiz – Random Forest
22. 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

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 e installazione
   1. Introduzione e ambienti di sviluppo
   2. Installare Python su Windows
   3. Installare Python su Mac
   4. Installare Anaconda su Windows
   5. Installare Anaconda su Mac
   6. Installare le librerie
2. Strutture Dati
   1. Aritmetica di base e creazione oggetti
   2. Vettori
   3. Funzioni di base
   4. Esercitazione vettori (quiz)
   5. Strutture dati
3. Funzioni e cicli
   1. Operatori logici
   2. Funzioni e strutture di controllo
   3. Loop, for e while
   4. Esercitazione Loop (quiz)
   5. Esercitazione Funzioni (quiz)
4. Approfondimento
   1. Approfondimento
5. Introduzione ai grafici
   1. Scatterplot
6. Grafici a barre
   1. Barplot
   2. Instogrammi
7. Linechart e Heatmap
   1. Linechart e Heatmap
   2. Esercitazione Grafici (quiz)
8. Importazione e Salvataggio
   1. Importazione e Salvataggio
   2. Confronto tra estensioni
9. Data Cleaning
   1. EDA – Exploratory Data Analysis
   2. Data Cleaning
   3. Outlier Detection
10. 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)
11. Manipolazione dati
    1. Funzione manipolazione stringhe
    2. Regex
12. 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
13. 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)
14. Introduzione
    1. Introduzione
15. 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
16. Approccio non supervisionato
    1. Clustering – Introduzione al Clustering
    2. Clustering – Analisi dei risultati
    3. Clustering – I metodi a partizionamento
17. 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
18. Random Forest
    1. Random Forest – Esempio didattico
    2. Random Forest – Caso di Studio
19. 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

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 ad Azure e al Cloud
   1. Introduzione al Cloud Computing
   2. Introduzione ad Azure
   3. Creazione dell’account Azure Student
   4. Creazione dell’account Azure Free
   5. Panoramica su Azure
   6. I sevizi di Azure
2. I servizi principali
   1. Schema Test-Env
   2. Introduzione alle VM – Come accedere alla VM
   3.  Introduzione alle VM – Configurazione del Resource Group
   4. Introduzione all’uso dei DataBase
   5. Popolamento di un DataBase
3. I servizi di machine learning
   1. Azure ML Service – Attiviamo l’istanza di Azure Machine Learning
   2. Azure ML Service – Costruiamo il modello
4. La pubblicazione di una Dashboard
   1. Realizzazione di una Dashboard
   2. Quiz – Azure
5. Introduzione a Docker
   1. Teoria introduttiva
   2. Introduzione a Docker
   3. Installazione, account e primo accesso
   4. Installazione di Docker su Windows
   5. Prime operazioni con Docker
   6. Dockerfile – Introduzione
   7. Dockerfile – Costruzione del Dockerfile
   8. Creare Dockerfile in Windows
   9. Dockerizzazione app
   10. Estensione .txt
   11. Creazione file bat
   12. Pull&Push
6. Concetti avanzati per Docker
   1. Interazione tra container
   2. Persistenza delle informazioni
   3. Policy di restart
   4. Condivisione tra container
   5. Docker-compose
   6. Mapping delle porte
   7. Comunicazione tra container
   8. Parte teorica – Esempio reale
   9. Parte pratica – Esempio reale
   10. Scaling di servizi
   11. Sicurezza
   12. Prune e Cache
7. Containers on Azure
   1. Installare PuTTY su Windows
   2. Containers on Azure – Macchina virtuale e Container Registry
   3. Containers on Azure – Pull & Push
8. DevEnv
   1. DevEnv
   2. Quiz – Docker

Il mio pc è abbastanza potente per questo modulo? Tutto si svolgerà su cloud quindi non dovrai preoccuparti delle caratteristiche hardware del tuo pc né di installare alcun software.

Il modulo comprende diversi ambiti? Il modulo riguarda solamente le applicazioni Data Science, per il momento.

Il modulo richiede dei prerequisiti? Non necessariamente, tuttavia è necessario avere una conoscenza perlomeno di base della Data Science per poter capire il contesto in cui si svolgono le operazioni

1. Introduzione al Deep Learning
   1. Introduzione al corso
   2. Introduzione al Deep Learning
   3. L’evoluzione del Deep Learning
2. Concetti base per la gestione dei progetti
   1. Creare un Virtual Env
   2. Il Dataset MNIST
   3. Un modello per MNIST
   4. Previsione su MNIST
   5. Introduzione ai Tensor
   6. Operazioni sui Tensori
3. Keras su dati tabellari
   1. Un modello per Keras
   2. Una Pipeline per Keras
   3. Approfondimento sui Kernel Initializers
   4. Il caso degli incassi dei film
   5. Classificazione con Keras – Esempio Didattico
   6. Classificazione con Keras – Caso di Studio
   7. Esportare un ambiente
   8. Clonare un ambiente
4. Keras per Computer Vision
   1. CV con Keras – Esempio Didattico
   2. Approfondimento sui modelli Pre-Addestrati
   3. CV con Keras – Caso di Studio
5. Keras per Time Series
   1. Serie Storiche con Keras
   2. Ottimizzazione con Keras Tuner
   3. Ottimizzazione con Optuna
   4. AutoKeras
   5. Approfondimento LSTM
   6. Time Series con Keras – Caso di Studio
6. Keras per NLP
   1. NLP con Keras – Pre-Processing
   2. NLP con Keras – Il modello
   3. NLP con Keras – La previsione
   4. Quiz – Keras
7. Differenza con Keras
   1. Tensorflow – Differenze rispetto a Keras
8. Tensorflow su dati tabellari
   1. Regressione con Tensorflow – Esempio Didattico
   2. Approfondimento – Activation Fuction
   3. Regressione con Tensorflow – Caso di Studio
   4. Classificazione con Tensorflow – Esempio Didattico
   5. Approfondimento – Optimizers
   6. Classificazione con Tensorflow – Caso di Studio
9. Tensorflow per Computer Vision
   1. CV con Tensorflow – Il dataset Fashion MNIST
   2. CV con Tensorflow – Tensorflow Optimizer ToolKit
   3. CV con Tensorflow – Caso di Studio
10. Tensorflow per Time Series
    1. Times Series con Tensorflow – Esempio Didattico “Vanilla Model”
    2. Times Series con Tensorflow – Esempio Didattico “Stacked e Bidirectional”
    3. Times Series con Tensorflow – Caso di Studio
    4. Times Series con Tensorflow – ArgeParse
11. Tensorflow per NLP
    1. NLP con Tensorflow – Pre-Processamento
    2. NLP con Tensorflow – Il modello
    3. Approfondimento – Funzioni “loss”
    4. Quiz – Tensorflow
12. Teoria di base per la ricerca
    1. Creare un ambiente per Pytorch
    2. Primo approccio con Pytorch
    3. Tensori in Pytorch
    4. Datasets e DataLoaders
    5. Regressione Lineare con Pytorch
    6. Reti Neurali con Pytorch
    7. Ciclo di Addestramento
    8. Approfondimento Autograd
13. Pytorch su Dati Tabellari
    1. Regressione con Pytorch – Esempio Didattico
    2. Regressione con Pytorch – Caso di Studio
    3. Classificazione con Pytorch – Esempio Didattico
    4. Classificazione con Pytorch – Caso di Studio
14. Pytorch per Computer Vision
    1. CV con Pytorch – Esempio Didattico
    2. CV con Pytorch – Caso di Studio
15. Pytorch per Times Series
    1. Times Series con Pytorch – Esempio Didattico
    2. Times Series con Pytorch – Caso di Studio
16. Pytorch per NLP
    1. NLP con Pytorch
    2. Quiz – Pytorch