Corso completo di Data Science con R
-
Molto bello, forse solo un po' troppo generico.
← | →
-
Bel corso, peccato solo che il materiale scaricabile non fosse adeguataemente aggiornato alla nuova struttura del corso.
← | →
-
Offre una panoramica sufficientemente completa del data science.
← | →
Corso
Online
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Descrizione
-
Tipologia
Corso
-
Metodologia
Online
-
Ore di lezione
19h
-
Inizio
Scegli data
-
Invio di materiale didattico
Sì
-
Servizio di consultazione
Sì
-
Tutoraggio personalizzato
Sì
-
Lezioni virtuali
Sì
Questo corso sul Data Science con R 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 R in un percorso attraverso le varie anime del Data Science.
Cominceremo con un ripasso delle basi di R, 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 R, 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.
Nelle ultime sezioni vedremo alcuni rudimenti di analisi temporale, sistemi di raccomandazione e social media mining.
Sedi e date
Luogo
Inizio del corso
Inizio del corso
Profilo del corso
Ripasso delle basi di R e delle sue strutture dati,Ambienti di programmazione per il Data Science,Importazione di dataset in R,Creazione grafici ed esplorazione dataset,Manipolazione e gestione dataset,Preprocessing e pulizia dei dati per l'analisi,Introduzione al machine learning con R,Teoria e algoritmi di machine learning, metodi supervisionati e non supervisionati,Metodi ensemble: bagging, boosting,Validazione e valutazione dei modelli,Pulizia e analisi testi,Metodi per la Sentiment Analysis
Conoscenza base di R
Corso completo di Data Science con R
Opinioni
-
Molto bello, forse solo un po' troppo generico.
← | →
-
Bel corso, peccato solo che il materiale scaricabile non fosse adeguataemente aggiornato alla nuova struttura del corso.
← | →
-
Offre una panoramica sufficientemente completa del data science.
← | →
Valutazione del corso
Lo consiglia
Valutazione del Centro
Fabio Bosco
Marco Stambul
Stefano Ciotti
Marco Fratini
Mario Ferraro
Successi del Centro
Tutti i corsi devono essere aggiornati
La media delle valutazioni dev'essere superiore a 3,7
Più di 50 opinioni degli ultimi 12 mesi
4 anni del centro in Emagister.
Materie
- Strutture
- Algoritmi
- Comuni
- Clustering
- E-learning
Programma
Introduzione
Introduzione al Data Science
Codice del corso
Installare R
Installare RStudio
Impostare una working directory
Installare e richiamare un pacchetto
Aritmetica di base
Creazione di oggetti
I vettori
Operazioni con i vettori
Ordinare un vettore
Selezionare alcuni elementi da un vettore
Assegnare un nome nome a un vettore
Riconoscere e forzare la natura di un vettore
Sostituire un elemento
Matrici
Creare una matrice
Selezionare alcuni elementi
Operazioni sulle matrici
Attribuire i nomi a righe e colonne
Operazioni sulle colonne e sulle righe
Array
Dataframe
Liste
Fattori
Operatori logici
Strutture di controllo
Costruire le proprie funzioni
Importazione dati in R
Importazione di file in .csv
Importazione di file in formato per Excel
Altri formati
Esportazione di un file
Manipolazione dati
Subsetting con le funzioni di base
Rimuovere i dati duplicati
La famiglia *apply
Trattamento dati con dplyr
Il pacchetto tidyr
Valori mancanti
Sostituzione dei missing values con la media o la mediana
Trattamento missing con mice
Analisi esplorativa
La funzione set.seed
Data cleaning
Alcuni metodi per la preparazione dei dati
Il pacchetto outliers
Forzare una variabile come fattore
Codificare le variabili categoriche
Standardizzazione dei dati
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 multipla in R
Regressione logistica in R
k-nearest neighbors
Calcolo della distanza
La distanza euclidea
Esempio di k-nn con R
Support Vector machines
Divisione dei dati in spazi non lineari
Esempi di SVM con R
Alberi di decisione
Esempi di DT con R
Il calcolo delle probabilità
Probabilità e metodo predittivo
Esempio di Naive Bayes con R
Metodi non supervisionati
Clustering
L'algoritmo kmeans
Esempio di kmeans con R
Analisi delle associazioni
Apriori con R
Metodi ensemble
Bagging
Boosting
Random Forest
XGBoost
Esempi di metodi ensemble con R
Tecniche per la riduzione della dimensionalità
Riduzione della dimensionalità con R
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 R
Naïve Bayes in R sullo spam
Esempio di regressione logistica su testi con R
Ulteriori informazioni
Cosa include il prezzo totale del corso?
Comunicazione diretta col docente, accesso a vita, ampliamenti e aggiornamenti inclusi, rimborso entro 30 giorni.
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Corso completo di Data Science con R