Corso base di Data Science

Lezione 1 • Configurazione di un ambiente di data science

Installa e configura gli strumenti essenziali per l'analisi riproducibile. Garantisce che ogni studente disponga di un ambiente operativo prima di iniziare a programmare.

Lezione 2 • Il ciclo di vita della data science

Traccia un progetto dal problema di business alla soluzione in produzione. Fornisce un modello mentale per organizzare tutte le competenze tecniche successive.

Lezione 3 • Cos'è la Data Science

Definisce la data science, la distingue da discipline affini e ne mappa i componenti fondamentali. Stabilisce un vocabolario condiviso utilizzato durante tutto il corso.

Lezione 1 • Manipolazione dei dati con pandas

Insegna la creazione, l'indicizzazione, il filtraggio e la trasformazione dei DataFrame. Supporta direttamente i capitoli successivi sulla pulizia dei dati e l'ingegneria delle feature.

Lezione 2 • I/O su file e caricamento dei dati

Legge e scrive file CSV, JSON ed Excel e si connette a database SQL. Prepara all'ingestione di dataset reali in qualsiasi formato.

Lezione 3 • Lavorare con array NumPy

Introduce il calcolo numerico vettorializzato con NumPy. Consente operazioni rapide sugli array che sono alla base di pandas e delle librerie di machine learning.

Lezione 4 • Scrittura di codice Python riutilizzabile

Applica funzioni, moduli e gestione degli errori per costruire script manutenibili. Stabilisce pratiche di codifica che scalano verso pipeline di progetto complete.

Lezione 1 • Gestione dei dati mancanti

Confronta le strategie di eliminazione, imputazione e indicatore per i valori mancanti. Insegna i compromessi che influenzano le prestazioni a valle del modello.

Lezione 2 • Valutazione della qualità dei dati

Identifica valori mancanti, duplicati e incoerenze tramite profiling. Stabilisce un processo di audit sistematico prima di qualsiasi trasformazione.

Lezione 3 • Trasformazione e standardizzazione dei dati

Applica conversione di tipo, normalizzazione e codifica alle colonne grezze. Produce formati coerenti richiesti dai modelli statistici e di machine learning.

Lezione 4 • Costruzione di pipeline di dati riproducibili

Incapsula i passaggi di pulizia in funzioni riutilizzabili e oggetti pipeline. Garantisce un preprocessing coerente tra dataset di addestramento e produzione.

Lezione 1 • Test statistici comuni

Applica t-test, test chi-quadrato e ANOVA a dataset reali. Fornisce la capacità di scegliere ed eseguire il test corretto per ogni scenario di dati.

Lezione 2 • Correlazione e relazioni lineari

Quantifica le associazioni lineari utilizzando la correlazione di Pearson e Spearman. Getta le basi per la modellazione di regressione nel capitolo successivo.

Lezione 3 • Elementi essenziali di probabilità

Tratta le regole di probabilità, la probabilità condizionata e le distribuzioni comuni. Fornisce il linguaggio matematico utilizzato in ogni modello probabilistico.

Lezione 4 • Principi di progettazione sperimentale

Tratta esperimenti controllati, randomizzazione e framework di test A/B. Prepara a progettare test validi per decisioni guidate dai dati.

Lezione 1 • Fondamenti di statistica descrittiva

Calcola misure di tendenza centrale, dispersione e forma per variabili numeriche. Fornisce la base quantitativa per interpretare tutte le visualizzazioni.

Lezione 2 • Analisi univariata e bivariata

Esamina distribuzioni a singola variabile e relazioni a coppie tra variabili. Rivela il comportamento delle feature e potenziali segnali predittivi.

Lezione 3 • Migliori pratiche di visualizzazione

Applica principi di design per creare grafici chiari, accurati e adatti al pubblico. Previene visualizzazioni fuorvianti e migliora la comunicazione con gli stakeholder.

Lezione 4 • Insight sulle feature guidati dall'EDA

Traduce i risultati dell'EDA in decisioni operative sull'ingegneria delle feature e la modellazione. Collega il lavoro esplorativo con i capitoli successivi sul machine learning.

Lezione 1 • Algoritmi di classificazione

Addestra regressione logistica, alberi decisionali, k-nearest neighbors e classificatori naive Bayes. Collega la scelta dell'algoritmo alle caratteristiche dei dati e ai requisiti di business.

Lezione 2 • Valutazione del modello e metriche

Applica accuratezza, precisione, richiamo, F1, ROC-AUC e RMSE per valutare la qualità del modello. Insegna la selezione delle metriche in base allo sbilanciamento delle classi e ai compromessi di costo aziendale.

Lezione 3 • Algoritmi di regressione

Tratta regressione lineare, ridge, lasso e albero decisionale per target continui. Insegna quando e perché applicare la regolarizzazione per ridurre l'overfitting.

Lezione 4 • Flusso di lavoro del machine learning

Stabilisce il processo end-to-end dalla suddivisione dei dati alla valutazione del modello. Fornisce un framework ripetibile applicato a ogni algoritmo in questo capitolo.

Lezione 1 • Riduzione della dimensionalità

Riduce lo spazio delle feature usando PCA e t-SNE preservando la varianza significativa. Migliora la visualizzazione, accelera l'addestramento e mitiga la maledizione della dimensionalità.

Lezione 2 • Metodi di selezione delle feature

Rimuove feature irrilevanti e ridondanti usando metodi filter, wrapper ed embedded. Riduce l'overfitting e accelera l'addestramento del modello.

Lezione 3 • Tecniche di ingegneria delle feature

Crea nuove feature informative da colonne esistenti tramite trasformazione e interazione. Migliora direttamente il potere predittivo dei modelli costruiti nel capitolo precedente.

Lezione 4 • Algoritmi di clustering

Applica clustering k-means, gerarchico e DBSCAN per scoprire raggruppamenti naturali. Consente la segmentazione della clientela, il rilevamento di anomalie e la sintesi dei dati.

Lezione 1 • Costruire un'API per il modello

Racchiude un modello addestrato in un'API REST usando Flask o FastAPI. Consente ad altre applicazioni e servizi di consumare previsioni a livello programmatico.

Lezione 2 • Salvataggio e versionamento dei modelli

Serializza i modelli addestrati e traccia gli esperimenti con strumenti di versionamento. Garantisce la riproducibilità e consente il rollback quando i modelli in produzione degradano.

Lezione 3 • Monitoraggio e manutenzione del modello

Tiene traccia della deriva delle previsioni, della deriva dei dati e del degrado delle prestazioni in produzione. Stabilisce processi per il riaddestramento e l'aggiornamento dei modelli distribuiti.

Lezione 4 • Comunicare i risultati agli stakeholder

Traduce i risultati tecnici in narrazioni chiare e dashboard visive per il pubblico aziendale. Colma il divario tra l'output del modello e il processo decisionale organizzativo.