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
Programmazione
Analisi dati
E-business
Programma
Modulo 1: Introduzione a Pandas e NumPy
Cos'è Pandas: serie, dataframe, principali funzionalità
Cos'è NumPy: array, operazioni element-wise, broadcasting
Differenze e complementarità tra Pandas e NumPy
Modulo 2: Strutture Dati in Pandas
Serie: creazione, indicizzazione, slicing
DataFrame: creazione, selezione, filtraggio
Indici e multi-indici in Pandas
Modulo 3: Operazioni con Array NumPy
Creazione e manipolazione di array NumPy
Funzioni universali (ufunc) in NumPy
Indici avanzati e slicing con NumPy
Modulo 4: Gestione dei Dati Mancanti in Pandas
Identificazione di valori mancanti (NaN)
Imputazione dei dati mancanti
Rimozione e sostituzione dei dati nulli
Modulo 5: Operazioni di Aggregazione con Pandas
Operazioni di raggruppamento con groupby()
Funzioni di aggregazione personalizzate
Pivot table e cross-tabulation
Modulo 6: Joins e Merge in Pandas
Concatenazione di DataFrame
Unioni (merge) e join tra DataFrame
Risoluzione dei conflitti di colonne e indici
Modulo 7: Selezione Avanzata dei Dati
Selezione basata su condizioni complesse
Indici gerarchici e multi-indici
Uso delle funzioni .loc[], .iloc[], .at[] e .iat[]
Modulo 8: Manipolazione delle Colonne
Aggiunta, rimozione e rinominazione delle colonne
Applicazione di funzioni su colonne
Uso della funzione apply() per operazioni complesse
Modulo 9: Funzioni Avanzate di NumPy
Funzioni di algebra lineare (prodotto scalare, determinanti, inversioni)
Generazione di numeri casuali con NumPy
Funzioni avanzate di manipolazione degli array (reshaping, transposing)
Modulo 10: Manipolazione di Dati Temporali in Pandas
Conversione di dati temporali
DataFrame con indice temporale
Funzioni per il resampling e la frequenza
Modulo 11: Normalizzazione e Trasformazione dei Dati
Normalizzazione dei dati (scalabilità, standardizzazione)
Trasformazioni logaritmiche e potenza
Applicazione di trasformazioni su dataset multidimensionali
Modulo 12: Operazioni su Dati di Tipo Categoriale
Creazione di variabili categoriali
Analisi delle frequenze
Ordinamento e raggruppamento di variabili categoriali
Modulo 13: Lavorare con Dati Multidimensionali in NumPy
Creazione e manipolazione di array n-dimensionali
Operazioni di slicing e indicizzazione avanzate
Manipolazione di array in più dimensioni per l'analisi
Modulo 14: Ottimizzazione delle Prestazioni con NumPy
Ridurre il tempo di esecuzione con l'uso di operazioni vettoriali
Uso di np.vectorize() e altre tecniche di ottimizzazione
Integrazione di NumPy con altre librerie per il calcolo ad alte prestazioni
Modulo 15: Tecniche Avanzate di Visualizzazione dei Dati con Pandas e Matplotlib
Creazione di grafici direttamente da un DataFrame
Personalizzazione dei grafici con Matplotlib
Grafici avanzati: heatmap, istogrammi, box plot, scatter plot
