Corso Base di Analisi dei Dati

Lezione 1 • Che cos'è effettivamente la data analytics

Definisce l'analytics, la distingue dal reporting e dalla data science e ne inquadra il valore di business. Stabilisce un vocabolario condiviso utilizzato durante l'intero corso.

Lezione 2 • Le quattro categorie di analytics

Introduce l'analytics descrittiva, diagnostica, predittiva e prescrittiva con esempi reali. Aiuta gli studenti a selezionare la categoria giusta per una data domanda di business.

Lezione 3 • Il flusso di lavoro dell'analytics

Mappa il processo end-to-end dalla definizione del problema alla consegna dell'insight. Fornisce un framework ripetibile che gli studenti applicano in ogni capitolo successivo.

Lezione 1 • Metodi di raccolta dati

Sondaggi, web scraping, API, sensori e inserimento manuale vengono confrontati in termini di affidabilità e costo. Gli studenti abbinano i metodi di raccolta ai vincoli di progetto.

Lezione 2 • Introduzione all'interrogazione SQL

Insegna le istruzioni SELECT, WHERE, GROUP BY e JOIN per estrarre e aggregare i dati. Entro la fine della sezione, gli studenti scrivono query su dataset di esempio.

Lezione 3 • Opzioni di archiviazione non relazionale e su cloud

Introduce archivi documentali, chiave-valore e colonnari, insieme ai data warehouse su cloud. Aiuta gli studenti a riconoscere quando i database relazionali sono insufficienti.

Lezione 1 • Tecniche di trasformazione dei dati

Insegna normalizzazione, codifica, binning e parsing delle date per rimodellare i dati grezzi. Le feature trasformate alimentano direttamente i capitoli di analisi successivi.

Lezione 2 • Gestione dei dati mancanti ed errati

Tratta strategie di eliminazione, imputazione e segnalazione per valori mancanti e outlier. Gli studenti applicano ciascuna strategia e valutano i compromessi per il proprio dataset.

Lezione 3 • Valutare la qualità dei dati

Definisce completezza, accuratezza, coerenza e tempestività come dimensioni della qualità. Gli studenti verificano un dataset e documentano sistematicamente i suoi problemi di qualità.

Lezione 1 • Analisi bivariata e multivariata

Grafici a dispersione, matrici di correlazione e grafici raggruppati rivelano relazioni tra variabili. Gli studenti identificano i predittori candidati per i capitoli di modellazione successivi.

Lezione 2 • Esplorazione visiva univariata

Istogrammi, box plot e grafici a barre rivelano la distribuzione delle singole variabili. Gli studenti selezionano il tipo di grafico appropriato in base al tipo di dato e alla domanda.

Lezione 3 • Statistica descrittiva nella pratica

Tratta media, mediana, moda, varianza, deviazione standard e percentili con contesto di business. Gli studenti calcolano e interpretano queste misure su dati campione.

Lezione 1 • Scegliere il tipo di grafico giusto

Associa gli obiettivi analitici - confronto, composizione, distribuzione, relazione - alle famiglie di grafici. Gli studenti costruiscono un albero decisionale per la scelta del grafico come riferimento.

Lezione 2 • Creare una narrativa dei dati

Applica la struttura della storia - situazione, complicazione, risoluzione - alle presentazioni di dati. Gli studenti producono un mazzo di slide che guida il pubblico dall'insight all'azione.

Lezione 3 • Costruire dashboard interattive

Insegna layout, filtri e progettazione del drill-down per dashboard destinate agli utenti business. Gli studenti assemblano una dashboard multi-pannello da un dataset fornito.

Lezione 1 • Test statistici comuni

Tratta t-test, test chi-quadrato e ANOVA per confrontare gruppi e testare associazioni. Gli studenti selezionano ed eseguono il test corretto per ogni scenario fornito.

Lezione 2 • Framework per il test di ipotesi

Introduce ipotesi nulla e alternativa, p-value, livelli di significatività e tipi di errore. Gli studenti applicano il framework a uno scenario decisionale di business strutturato.

Lezione 3 • Intervalli di confidenza

Spiega come gli intervalli di confidenza quantificano l'incertezza della stima per medie e proporzioni. Gli studenti costruiscono e interpretano correttamente gli intervalli dai dati campionari.

Lezione 4 • Significatività pratica vs. significatività statistica

Distingue la dimensione dell'effetto dalla significatività del p-value per prevenire conclusioni fuorvianti. Gli studenti calcolano le dimensioni dell'effetto e raccomandano azioni di business di conseguenza.

Lezione 1 • Metriche di valutazione del modello

Introduce RMSE, MAE, accuratezza, precisione, recupero, F1 e ROC-AUC per la valutazione del modello. Gli studenti selezionano le metriche allineate al costo di ciascun tipo di errore.

Lezione 2 • Cross-validazione e selezione del modello

Insegna la cross-validazione k-fold e l'ottimizzazione degli iperparametri per produrre stime affidabili del modello. Gli studenti confrontano due modelli e giustificano la scelta finale.

Lezione 3 • Regressione logistica per la classificazione

Estende la regressione a risultati binari utilizzando log-odds e soglie di probabilità. Gli studenti costruiscono un classificatore e interpretano i suoi coefficienti in termini di business.

Lezione 4 • Regressione lineare

Tratta la regressione lineare semplice e multipla, l'interpretazione dei coefficienti e le assunzioni. Gli studenti adattano un modello di regressione e diagnosticano le violazioni delle assunzioni.

Lezione 1 • Acquisizione e pulizia dei dati

Gli studenti applicano le competenze di raccolta, archiviazione e pulizia dei capitoli precedenti al dataset scelto. Le decisioni di pulizia documentate costituiscono parte del deliverable finale.

Lezione 2 • Modellazione o analisi descrittiva avanzata

Gli studenti costruiscono un modello predittivo o un'analisi descrittiva avanzata appropriata alla loro domanda. Gli output del modello o dell'analisi alimentano direttamente la presentazione finale.

Lezione 3 • Definizione dell'ambito e pianificazione del progetto

Guida gli studenti a definire una domanda di business, identificare le fonti di dati e creare un piano di progetto. Un ambito chiaro previene lo scope creep e mantiene l'analisi focalizzata.

Lezione 4 • Presentare i risultati agli stakeholder

Gli studenti tengono una presentazione strutturata che combina dashboard, narrativa e raccomandazioni. Il feedback di colleghi e istruttori simula una revisione reale degli stakeholder.