Corso di Data Analytics con AI

Lezione 1 • Etica e Principi di AI Responsabile

Introduce equità, trasparenza, accountability e privacy come vincoli di progettazione non negoziabili. Inquadra il pensiero etico come parte integrante di ogni capitolo successivo.

Lezione 2 • Definire AI e Data Analytics

Chiarisce i confini tra AI, machine learning e analytics classica. Fornisce il linguaggio condiviso utilizzato in tutto il corso.

Lezione 3 • Il Ciclo di Vita della Data Analytics

Mappa il processo end-to-end dalla domanda di business all'insight distribuito. Gli studenti applicano il ciclo di vita come framework di progetto ripetibile.

Lezione 1 • Valutazione della Qualità dei Dati

Insegna la profilazione sistematica per rilevare problemi di completezza, coerenza, accuratezza e tempestività. Le metriche di qualità diventano i criteri di accettazione per ogni dataset utilizzato in seguito.

Lezione 2 • Costruire Pipeline di Dati Riproducibili

Automatizza le fasi di pulizia e trasformazione in flussi di lavoro versionati e ripetibili. Stabilisce la disciplina di pipeline richiesta per progetti di analytics di livello produttivo.

Lezione 3 • Feature Engineering e Trasformazione

Converte le variabili grezze in feature informative che migliorano le performance del modello. Introduce codifica, scaling e aggregazione come fasi di preprocessing fondamentali.

Lezione 4 • Tecniche di Pulizia dei Dati

Applica metodi pratici per risolvere i problemi di qualità riscontrati durante la profilazione. Produce dataset puliti pronti per l'analisi esplorativa nel capitolo successivo.

Lezione 1 • Dashboard Interattive e Reporting

Traduce gli output statici dell'EDA in dashboard dinamiche per il consumo degli stakeholder. Introduce modelli di progettazione di dashboard utilizzati nei progetti di analytics applicata.

Lezione 2 • Best Practice per la Visualizzazione dei Dati

Stabilisce principi di progettazione per grafici accurati, accessibili e persuasivi. Garantisce che le visualizzazioni prodotte nei capitoli successivi soddisfino gli standard di comunicazione professionale.

Lezione 3 • Analisi Univariata e Bivariata

Esamina le distribuzioni a singola variabile e le relazioni a coppie per far emergere ipotesi iniziali. Costruisce l'intuizione analitica applicata in tutti i capitoli di modellazione.

Lezione 4 • Statistica Descrittiva per Analisti

Tratta le misure di tendenza centrale, dispersione e forma come spina dorsale quantitativa dell'EDA. Collega i riepiloghi statistici a interpretazioni rilevanti per il business.

Lezione 1 • A/B Testing e Progettazione di Esperimenti

Applica la verifica di ipotesi a esperimenti controllati comuni nell'analisi di prodotto e marketing. Introduce randomizzazione, gruppi di controllo e correzioni per test multipli.

Lezione 2 • Test Statistici Comuni

Tratta t-test, chi-quadrato, ANOVA e alternative non parametriche con criteri di selezione. Fornisce agli studenti gli strumenti per scegliere il test corretto per ogni scenario analitico.

Lezione 3 • Fondamenti di Probabilità per Analisti

Introduce regole di probabilità, distribuzioni e il teorema del limite centrale come base per l'inferenza. Fornisce le basi matematiche per tutti i metodi di verifica di ipotesi.

Lezione 4 • Framework di Verifica delle Ipotesi

Stabilisce la struttura delle ipotesi nulla/alternativa, i livelli di significatività e i p-value. Gli studenti applicano il framework per convalidare o confutare affermazioni aziendali basate sui dati.

Lezione 1 • Metodi di Apprendimento Non Supervisionato

Tratta clustering e riduzione della dimensionalità per la scoperta di pattern senza dati etichettati. Prepara gli studenti per applicazioni di segmentazione della clientela e rilevamento di anomalie.

Lezione 2 • Algoritmi di Regressione

Tratta regressione lineare, polinomiale e regolarizzata per la previsione di target continui. Collega gli output di regressione a compiti di previsione e stima aziendale.

Lezione 3 • Concetti di Apprendimento Supervisionato

Spiega il paradigma addestramento-etichetta, le funzioni di perdita e il compromesso bias-varianza. Stabilisce il modello concettuale alla base di tutti gli algoritmi di regressione e classificazione.

Lezione 4 • Algoritmi di Classificazione

Introduce regressione logistica, alberi decisionali e metodi ensemble per la previsione categorica. Gli studenti selezionano e ottimizzano i classificatori in base alle caratteristiche dei dati e alle esigenze aziendali.

Lezione 1 • Orchestrazione di Pipeline ML Scalabili

Automatizza flussi di lavoro ML end-to-end dall'ingestione dei dati fino al riaddestramento del modello su larga scala. Collega le pratiche di data engineering e MLOps introdotte nel prossimo capitolo.

Lezione 2 • Data Governance e Catalogazione

Stabilisce gestione dei metadati, lineage dei dati e controllo degli accessi come pilastri della governance. Garantisce che gli asset di dati siano individuabili, affidabili e conformi in tutta l'organizzazione.

Lezione 3 • Elaborazione Batch e Stream

Distingue i paradigmi di elaborazione batch da quelli in tempo reale e i loro casi d'uso appropriati. Gli studenti implementano entrambi i modelli per supportare diversi requisiti di latenza analitica.

Lezione 4 • Piattaforme Dati Cloud e Architettura

Esamina i servizi cloud-native di storage, calcolo e analytics e i loro compromessi architetturali. Fornisce il contesto infrastrutturale per tutte le soluzioni di analytics scalabile costruite in seguito.

Lezione 1 • Previsione di Serie Temporali con l'AI

Tratta metodi di previsione classici e basati su AI per dati aziendali sequenziali. Gli studenti costruiscono modelli di previsione della domanda, dei ricavi e operativi.

Lezione 2 • Deep Learning per Dati Strutturati

Introduce architetture di reti neurali ottimizzate per dati aziendali tabulari. Si basa sui fondamenti di ML per estendere il potere predittivo oltre gli algoritmi classici.

Lezione 3 • Elaborazione del Linguaggio Naturale per l'Analytics

Applica l'NLP per estrarre insight strutturati da dati testuali come recensioni e report. Espande i tipi di dati che gli studenti possono analizzare oltre le tabelle numeriche.

Lezione 4 • Motori di Raccomandazione e Personalizzazione

Introduce sistemi di raccomandazione collaborativi, content-based e ibridi. Gli studenti progettano logiche di personalizzazione applicabili a piattaforme di e-commerce e contenuti.

Lezione 1 • Monitoraggio dei Modelli e Rilevamento del Drift

Rileva il data drift, il concept drift e il degrado delle performance nei modelli in produzione. Previene guasti silenziosi del modello che erodono il valore aziendale senza errori visibili.

Lezione 2 • Impacchettamento e Versionamento dei Modelli

Tratta containerizzazione, registri di modelli e versionamento degli artefatti per deployment riproducibili. Stabilisce il processo di passaggio di consegne tra i team di data science e ingegneria.

Lezione 3 • Servire Modelli in Produzione

Implementa API REST, inferenza batch e modelli di deployment su edge per diverse esigenze di serving. Gli studenti abbinano l'architettura di serving ai requisiti di latenza, throughput e costo.

Lezione 4 • Governance dell'Analytics AI in Produzione

Applica controlli di equità, audit trail e controlli di conformità sui sistemi AI distribuiti. Chiude il ciclo tra i principi etici introdotti nel Capitolo 1 e le operazioni in produzione.