Master Online Degree in Data Scientist e Big Data Analysis a 499€ invece di 3.000€ [Ultimi 3 posti Disponibili]

Il “Master Degree in Data Scientist e Big Data Analysis” offre una larga panoramica del mondo dei Big Data, soffermandosi in particolare sull’impatto rivoluzionario che hanno avuto nel mondo dell’analisi dei dati e della statistica in generale. Infatti avere a disposizione una mole notevole di dati consente l’applicazione a pieno regime di modelli statistici con una forte affidabilità, permettendo l’applicazione degli stessi nei settori più disparati (manifatturiero, commerciale, sportivo, medico ecc…) e per scopi totalmente nuovi nel mondo del business. Conoscere quali siano i passaggi fondamentali nella gestione dei Big Data (reperimento dalle fonti, applicazione delle tecniche di pulizia e preparazione a seconda della struttura dei dati , scelta del corretto modello di previsione e classificazione, ecc…) è diventato un requisito indispensabile non solo per programmatori e tecnici informatici, ma anche per manager che vogliano sfruttare a pieno la risorsa di dati a loro disposizione. Data l’eterogeneità di applicazioni e strumenti a disposizione, il master non si sofferma eccessivamente su tecnicismi, lasciando spazi ad approfondimenti personali a seconda di interessi specifici, ma offre un’esaustiva descrizione sulle modalità di trattamento dei Dati. Il corsista potrà quindi comprendere quali siano i passaggi fondamentali, le criticità e i corretti modelli da applicare nella gestione dei Big Data.

• INTRODUZIONE
• Presentazione Master Big Data Analysis
• Definizione e origine dei Big Data
• Materiale didattico del corso
• Il ruolo del Data Scientist
• L’approccio della Business Intelligence
• Struttura di dati e basi dati
• Prime applicazioni di Big Data
• Dato vs informazione
• Dimensioni e caratteristiche dei Big Data
• Come trattare i Big Data e il processo di creazione
• Big Data nell’industria 4.0 e Internet of Things
• Definizione di Data Mining
• Tecniche statistiche di Data Mining
• Tipologie di approccio al Data Mining
• Applicazioni di Data Mining nel marketing
• Il Web Mining
• Web Mining: case history
• Concetto di variabile aleatoria e distribuzione di frequenza
• Teorema del limite centrale
• Strumenti statistici descrittivi
• La media mobile
• Indici di variabilità – Parte 1
• Indici di variabilità – Parte 2
• Indici di forma – Parte 1
• Indici di forma – Parte 2
• Outlier e carte di controllo – Parte 1
• Outlier e carte di controllo – Parte 2
• Outlier e carte di controllo – Parte 3
• Interpolazione e perequazione – Parte 1
• Interpolazione e perequazione – Parte 2
• Interpolazione e perequazione – Parte 3
• Impostazione dei metodi di previsione
• Fasi dei metodi di previsione
• Il rumore
• Correlazioni tra variabili – Parte 1
• Correlazioni tra variabili – Parte 2
• Correlazioni tra variabili – Parte 3
• Il modello di regressione
• La regressione lineare – metodo dei minimi quadrati
• Esempi di regressione lineare
• Trasformazioni di variabili e adeguatezza del modello
• Ipotesi per il modello di regressione lineare
• Regressione lineare multipla
• Algoritmi di previsione – Parte 1
• Algoritmi di previsione – Parte 2
• Algoritmi di classificazione – Parte 1
• Algoritmi di classificazione – Parte 2
• Algoritmi di classificazione – Parte 3
• Supervisione del modello
• Criticità
• L’importanza della Normale nei Big Data
• Variabili casuali continue
• Variabile casuale Normale
• Standardizzazione della variabile casuale Normale
• Approssimazioni alla variabile casuale Normale
• Istogrammi e approssimazioni alla Normale
• Diagrammi a dispersione
• Boxplot e Corrplot
• Altre rappresentazioni
• Quale grafico scegliere
• ESAME FINALE