Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Descrizione
Tipologia
Corso
Metodologia
Online
Inizio
Scegli data
Descrizione
La figura del ”data scientist” è un professionista che analizza e interpreta grandi quantità di dati per estrarre informazioni utili e supportare decisioni strategiche. Il suo lavoro combina competenze in statistica, matematica, programmazione e conoscenza dei business o dei settori specifici. I data scientist utilizzano strumenti avanzati, come machine learning e intelligenza artificiale, per costruire modelli predittivi e risolvere problemi complessi. La loro attività può spaziare dall'analisi dei dati aziendali per migliorare l'efficienza operativa, alla creazione di algoritmi per migliorare i prodotti o i servizi offerti da un'azienda
Sedi e date
Luogo
Inizio del corso
Online
Inizio del corso
Scegli dataIscrizioni aperte
Domande e risposte
Aggiungi la tua domanda
I nostri consulenti e altri utenti potranno risponderti
Stiamo controllando la tua domanda per verificare che sia conforme con gli standard di pubblicazione. A parte questo, abbiamo rilevato dalle tue risposte che potresti non essere in grado di immatricolarti a questa formazione. Questo potrebbe essere dovuto al titolo di studio che possiedi, al luogo in cui vivi, ecc. In ogni caso ti consigliamo di verificare contattando il centro di formazione.
Grazie mille!
Stiamo verificando la tua domanda. A breve sarà pubblicata
Preferisci essere contattato dal centro?
Opinioni
Hai seguito questo corso? Condividi la tua opinione
Successi del Centro
2023
2022
2020
Tutti i corsi devono essere aggiornati
La media delle valutazioni dev'essere superiore a 3,7
Più di 50 opinioni degli ultimi 12 mesi
6 anni del centro in Emagister.
Materie
E-learning
Python
Programmazione
Algoritmi
E-business
Programma
Modulo 1: Introduzione a Python e agli Strumenti per il Data Science
Panoramica su Python per il Data Science
Installazione degli ambienti di lavoro (Jupyter Notebook, Anaconda)
Introduzione a Python: sintassi e strutture di controllo
Modulo 2: Introduzione a NumPy
Cos'è NumPy e perché è importante
Creazione di array NumPy (ndarray)
Operazioni di base sugli array: somma, sottrazione, moltiplicazione
Modulo 3: Manipolazione Avanzata degli Array con NumPy
Indicizzazione e slicing di array
Operazioni su array multidimensionali
Funzioni universali (ufunc) di NumPy per calcoli matematici
Modulo 4: Matematica e Statistiche con NumPy
Operazioni matematiche avanzate con NumPy
Calcolo della media, mediana, varianza, deviazione standard
Generazione di numeri casuali e distribuzioni
Modulo 5: Introduzione a pandas
Cos'è pandas e perché è fondamentale per il Data Science
Creazione di DataFrame e Series
Importazione e esportazione dei dati (CSV, Excel)
Modulo 6: Manipolazione dei Dati con pandas
Selezione, indicizzazione e slicing in DataFrame
Filtraggio e ordinamento dei dati
Aggiunta, rimozione e modificazione delle colonne
Modulo 7: Gestione dei Dati Mancanti con pandas
Identificazione e gestione dei valori nulli
Tecniche di imputazione dei dati mancanti
Rimozione dei dati mancanti
Modulo 8: Operazioni di Aggregazione e Raggruppamento con pandas
Raggruppamento dei dati (groupby)
Funzioni di aggregazione: somma, media, conteggio
Pivot table e operazioni di aggregazione avanzate
Modulo 9: Unione e Fusione dei Dati con pandas
Concatenazione e unione di DataFrame
Operazioni di merge (join) su DataFrame
Combinazione di più set di dati
Modulo 10: Visualizzazione dei Dati con Matplotlib
Cos'è Matplotlib e come si usa per visualizzare i dati
Creazione di grafici base: line plot e scatter plot
Personalizzazione dei grafici: titoli, etichette e legende
Modulo 11: Visualizzazione Avanzata con Matplotlib
Creazione di istogrammi, boxplot e grafici a dispersione
Personalizzazione dei colori e stili dei grafici
Gestione di sottotitoli e layout avanzati
Modulo 12: Grafici Multivariati con Matplotlib
Creazione di grafici a barre e a torta
Heatmap e visualizzazione delle correlazioni
Grafici a densità e distribuzioni
Modulo 13: Integrazione di NumPy, pandas e Matplotlib
Utilizzo combinato di NumPy, pandas e Matplotlib per il Data Science
Analisi dei dati con pandas e visualizzazione con Matplotlib
Esempi pratici di workflow
Modulo 14: Ottimizzazione e Performance con NumPy e pandas
Ottimizzazione delle prestazioni con NumPy
Operazioni vettoriali e broadcasting
Ottimizzazione dell'uso della memoria con pandas
Modulo 15: Best Practices e Tecniche Avanzate con NumPy, pandas e Matplotlib
Best practices per la gestione e manipolazione dei dati
Tecniche avanzate di visualizzazione con Matplotlib
Gestione di dataset complessi e workflow ottimizzati
