EMAGISTER CUM LAUDE
RISPARMIA 89%
Udemy

Corso completo di Data Science con Python

5.0 eccellente 9 opinioni
Udemy
Online
Prezzo Emagister

184 € 20 
Chiedi informazioni a un consulente Emagister

Informazioni importanti

Tipologia Corso
Metodologia Online
Ore di lezione 18h
Inizio Scegli data
Invio di materiale didattico
Servizio di consultazione
Tutoraggio personalizzato
Lezioni virtuali
  • Corso
  • Online
  • 18h
  • Inizio:
    Scegli data
  • Invio di materiale didattico
  • Servizio di consultazione
  • Tutoraggio personalizzato
  • Lezioni virtuali
Descrizione

Questo corso sul Data Science con Python nasce per essere un percorso completo su come si è evoluta l'analisi dati negli ultimi anni a partire dall'algebra e dalla statistica classiche. L'obiettivo è accompagnare uno studente che ha qualche base di Python in un percorso attraverso le varie anime del Data Science.
Cominceremo con un ripasso delle basi di Python, a partire dallo scaricamento e installazione, all'impostazione dell'ambiente di lavoro, passando per le strutture, la creazione di funzioni, l'uso degli operatori e di alcune funzioni importanti.
Passeremo poi a vedere come manipolare e gestire un dataset, estrarne dei casi oppure delle variabili, generare dei dataset casuali, calcolare delle misure statistiche di base, creare grafici con i pacchetti Matplotlib e Seaborn.
Nelle sezioni successive cominciamo a entrare nel cuore del Data Science con Python, a cominciare dal preprocessing: vediamo infatti come ripulire e normalizzare un dataset, e come gestire i dati mancanti.
La sezione successiva ci permette di cominciare a impostare dei modelli di machine learning con Python: vedremo tutti gli algoritmi più comuni, sia supervisionati che non supervisionati, come la regressione, semplice, multipla e logistica, il k-nearest neighbors, il Support Vector Machines, il Naive Bayes, gli alberi di decisione e il clustering.
Passeremo poi ai più comuni metodi ensemble, come il Random Forest, il Bagging e il Boosting, e all'analisi del linguaggio naturale e al suo utilizzo nel machine learning per la catalogazione dei testi.

Informazioni importanti

Prezzo per gli utenti Emagister:

Strutture (1)
Dove e quando
Inizio Luogo
Scegli data
Online
Inizio Scegli data
Luogo
Online

Da tener presente

· Quali sono gli obiettivi del corso?

Ripasso delle basi di Python e delle sue strutture dati,Ambienti di programmazione per il Data Science,Importazione di dataset in Python,Creazione grafici ed esplorazione dataset,Manipolazione e gestione dataset,Preprocessing e pulizia dei dati per l'analisi,Teoria e algoritmi di machine learning, metodi supervisionati e non supervisionati,Teoria e algoritmi di machine learning,Valutazione e validazione di modelli,Pulizia e analisi testi,Metodi per la Sentiment Analysis

· Requisiti

Conoscenza base di Python

· Titolo

Corso completo di Data Science con Python

Domande e risposte

Comunicaci i tuoi dubbi,altri utenti potranno risponderti

Opinioni

5.0
eccellente
Valutazione del corso
100%
Lo consiglia
4.9
eccellente
Valutazione del Centro

Opinioni sul corso

F
Federico Ricciardelli
5.0 26/11/2019
Sul corso: Ottimo corso, l'unica pecca è che manca un vero e proprio caso da analizzare e studiare.
Consiglieresti questo corso?:
G
Giambattista
5.0 26/11/2019
Sul corso: Sono molto soddisfatto. Il corso mi ha offerto in concetti base per apprendere il Machine Learning con Python. Era proprio quello che cercavo.
Consiglieresti questo corso?:
F
Francesco Chiani
5.0 26/11/2019
Sul corso: La parte degli associativi non è spiegata molto bene. Per il resto lo reputo in buon corso.
Consiglieresti questo corso?:
D
Davide Torre
5.0 24/11/2019
Sul corso: In generale mi reputo soddisfatto, ma avrei apprezzato se si fosse dedicato maggiore spazio alla sintassi di Python.
Consiglieresti questo corso?:
S
Simone De Battisti
5.0 24/11/2019
Sul corso: La docente spiega bene. Tuttavia, mi ha sorpreso la mancaza di un approccio più 'scientifico' al tema.
Consiglieresti questo corso?:
F
Fabrizio D'Ovidio
5.0 23/11/2019
Sul corso: Valentina è un'ottima insegnante. Bravissima. Bel corso.
Consiglieresti questo corso?:
S
Sergio
5.0 22/11/2019
Sul corso: Corso ricco ed esaustivo. Occorre avere qualche pre-conoscenza per seguirlo adeguatamente.
Consiglieresti questo corso?:
A
Antonio Fragomeni
5.0 22/11/2019
Sul corso: Corso di qualità. Manca tuttavia la spiegazione di alcuni parametri e questo può generare qualche dubbio per chi segue.
Consiglieresti questo corso?:
B
Balestrieri Cristiano
5.0 22/11/2019
Sul corso: Ottimo corso, docente disponibile. Unico problema, la differenza tra Mac e Windows 10.
Consiglieresti questo corso?:
* Opinioni raccolte da Emagister & iAgora

Successi del Centro

2019

Come si ottiene il marchio CUM LAUDE?

Tutti i corsi devono essere aggiornati

La media delle valutazioni dev'essere superiore a 3,7

Più di 50 opinioni degli ultimi 12 mesi

0 anni del centro in Emagister.

Cosa impari in questo corso?

Data Mining
Statistica
Strutture
Reti
SQL
Algoritmi
Comuni
Python
Reti neurali
Clustering
E-learning
E-learning
Data Mining
E-learning
Data Mining

Programma

Contenido del curso
Introduzione al corso
Introduzione al data science
Ambienti di programmazione per il data mining in Python
CODICE DEL CORSO
Installare Python
Differenze tra Python2 e Python3
Impostare una working directory
Utilizzare il terminale
Librerie per il data mining
Gli oggetti in Python
Parole riservate per il sistema, commenti, indentazione
Tipi di dati - 1
Tipi di dati - 2
Operatori
Funzioni
Programmazione orientata agli oggetti
La funzione lambda
Errori ed eccezioni
Importare un dataset
Manipolare un dataset
Creare dei dataset casuali
Statistica di base
Creazione grafici con Matplotlib
Analisi esplorativa dei dataset con Seaborn
Preparazione dei dati per l'analisi
Esempio di pulizia di un dataset in Python
Normalizzazione dei dati
Codifica delle variabili categoriche
Creazione di variabili dummy
Introduzione al machine learning
Fasi del machine learning
Tipi di algoritmi per il machine learning
Problemi del machine learning
Metodi supervisionati
Analisi di regressione
Regressione lineare semplice
Regressione lineare in Python
Regressione multipla in Python
Regressione logistica in Python
k-nearest neighbors
Calcolo della distanza
La distanza euclidea
Esempio di k-nn con Python
K-nn - esempio 2
Support Vector Machines
Esempio di SVM con Python
Divisione dei dati in spazi non lineari
Secondo esempio di SVM in Python
Alberi di decisione
Esempio di DT con Python
Il calcolo delle probabilità
Probabilità e metodo predittivo
Modello di codice per il Naïve Bayes con Python
Metodi non supervisionati
Clustering
L'algoritmo kmeans
Esempio di kmeans con Python
Clustering gerarchico
Analisi delle associazioni
Metodi ensemble
Random Forest
Bagging
Boosting
XGBoost
Codice per i metodi ensemble in Python
Tecniche per la riduzione della dimensionalità
Codice per la PCA con Python
L'uso del machine learning nell'analisi dei testi
Natural Language Processing
Trattamento e pulizia dei testi
Vettorializzazione di un testo
Misurare la distanza tra due testi
TF-IDF
Tipi di strutture per l'analisi
Le espressioni regolari con Python
Modelli di machine learning sui testi
Sentiment Analysis
Naïve Bayes e Sentiment
Fonti dati per la Sentiment Analysis
Sentiment Analysis con Python
L'importanza e gli utilizzi dei network neurali
Storia e caratteristiche delle reti neurali
Il cervello umano
Il neurone artificiale
Le differenze tra i due sistemi
Tipi di reti neurali
Perceptrone
Addestramento della rete
Deep Neural Networks o reti neurali profonde
I framework per il deep learning
Reti feedforward
L’algoritmo di backpropagation
Il metodo del gradiente
Funzioni di attivazione
Parametri per le reti neurali
Rappresentare dati non strutturati per il deep learning
Gli array in Python
Keras per Python
Esempio di regressione semplice con Python
Esempio di regressione sul dataset Boston con Python
Esempi di classificazione con Python
Tensorflow playground
Computer Vision
Il deep learning nella computer vision
Convolutional neural networks - CNN
Stride e pooling
Esempio di CNN con Python e il dataset MNIST - prima parte
Esempio di CNN con Python e il dataset MNIST - seconda parte
Esempio di CNN con Python e il dataset CIFAR
Introduzione ai Big Data
Le 3 V
Hadoop e il suo ecosistema
Fasi dell'analisi e relative tecnologie
MapReduce vs Spark
Hadoop vs Spark
Introduzione a Spark
La transizione da Spark 1.0 a Spark 2.0
Approfondimento sugli RDD
Modalità di esecuzione di Spark
Il local mode in Python
L'utilizzo dei sistemi distribuiti
Utilizzare Spark con Databricks
Strutture dati e astrazioni in Spark
Prime impostazioni dell'ambiente di lavoro
Funzioni di base e manipolazione dati sui DataFrame
Formati dati per il data mining
Importazione files in pyspark
Spark SQL
Data cleaning con pyspark
I database SQL
I database NoSQL
Il linguaggio SQL in pyspark
Esempi di regressione lineare con pyspark
Esempi di regressione logistica con pyspark
Esempi di decision trees con pyspark
Esempi di Support Vector Machines con pyspark
Esempi di Naive Bayes con pyspark

Ulteriori informazioni

A chi è rivolto: Chi conosce già un po' di programmazione Python e vuole cominciare un percorso nel data science,Chi cerca un percorso completo per farsi un'idea delle tante anime del Data Science con Python
Cosa include il prezzo totale del corso?
Comunicazione diretta col docente, accesso a vita, ampliamenti e aggiornamenti inclusi, rimborso entro 30 giorni.