Corso di Analisi dei Dati con Python

Modulo 1: l'Analisi dei Dati Cos'è l'analisi dei dati? Il ciclo di vita dei dati: raccolta, pulizia, analisi e visualizzazione Panoramica su Python per l'analisi dei dati Installazione di Python e delle librerie principali (Pandas, NumPy, Matplotlib, Seaborn) Modulo 2: Fondamenti di Python per l'Analisi dei Dati Sintassi di base di Python Variabili, tipi di dati e operazioni Controllo del flusso (if, for, while, try/except) Funzioni e gestione degli errori Modulo 3: Introduzione a NumPy Creazione di array NumPy Operazioni su array (somma, sottrazione, moltiplicazione) Funzioni universali (ufunc) di NumPy Gestione di array multidimensionali Modulo 4: Lavorare con Pandas - Introduzione Introduzione a Pandas e DataFrame Creazione e manipolazione di DataFrame Selezione e filtraggio dei dati Operazioni di base su DataFrame (sommario, descrizione, statistiche) Modulo 5: Pulizia e Preparazione dei Dati Identificazione dei dati mancanti Sostituzione e rimozione dei valori mancanti Gestione di duplicati Normalizzazione e trasformazione dei dati Modulo 6: Esplorazione dei Dati con Pandas Analisi esplorativa dei dati (EDA) Visualizzazione delle distribuzioni dei dati Analisi univariata e bivariata Statistiche descrittive e correlazione Modulo 7: Visualizzazione dei Dati con Matplotlib Introduzione a Matplotlib Creazione di grafici di base: linee, barre, istogrammi Personalizzazione dei grafici (titoli, etichette, legende) Grafici avanzati (scatter plot, box plot) Modulo 8: Visualizzazione Avanzata con Seaborn Introduzione a Seaborn Creazione di grafici più complessi (heatmap, pairplot, violin plot) Personalizzazione avanzata dei grafici Integrazione di Seaborn con Pandas per analisi esplorativa Modulo 9: Lavorare con Dati Temporali Introduzione ai dati temporali Manipolazione delle date e ore in Pandas Creazione di indici temporali e resampling Analisi di serie temporali Modulo 10: l'Analisi Statistica con Python Fondamenti di statistica per l'analisi dei dati Calcolo di media, mediana, deviazione standard Analisi di distribuzioni e test statistici (t-test, ANOVA) Correlazione e regressione Modulo 11: Regressione Lineare con Python Concetti di regressione lineare Creazione di un modello di regressione lineare con Scikit-learn Valutazione delle performance del modello (errore quadratico medio, R²) Interpretazione dei risultati Modulo 12: Machine Learning con Scikit-learn Cos'è il Machine Learning? Tipi di machine learning: supervisato vs non supervisato Creazione e allenamento di modelli di classificazione la validazione incrociata e alla selezione del modello Modulo 13: Classificazione con Python Concetti di classificazione Creazione di un modello di classificazione con Scikit-learn (es. KNN, Decision Trees) Valutazione dei modelli di classificazione (matrice di confusione, accuracy, precisione, recall) Ottimizzazione dei modelli tramite grid search Modulo 14: la Clustering (Apprendimento Non Supervisato) Cos'è il clustering? Algoritmi di clustering (K-means, DBSCAN) Creazione e valutazione di modelli di clustering Applicazioni pratiche del clustering (es. segmentazione di mercato) Modulo 15: Gestione e Salvataggio dei Dati Salvataggio dei dati in formato CSV, Excel e database Scrittura e lettura di file in Python le librerie per il lavoro con database (SQLAlchemy, SQLite) Esportazione dei risultati in formati grafici e reportistica