Introduzione al Data Science I

Primi passi nel mondo del Data Science usando i metodi del Machine Learning: comprensione, pretrattamento ed esplorazione dei dati

A cosa serve il Data Science

Destinatari, didattica e calendario

Il campo di applicazione del Data Science è in continua crescita ed è già oggi sterminato. Questo corso, che non assume conoscenze pregresse di alcun genere, è destinato a chi voglia muovere i primi passi in questo affascinante settore, per studio o professione, gettando le basi per eventuali approfondimenti successivi. Le lezioni combinano gli elementi teorici con esempi e applicazioni pratiche e illustrative, anche sfruttando software open source e/o a licenza di uso comune.

Quota di partecipazione

520,00€.

La quota di partecipazione può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale. Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti.

Attestato

Al termine del corso si rilascia un attestato di partecipazione riportante il programma svolto e firmato dal corpo docente. Si può anche richiedere la certificazione delle conoscenze acquisite previo superamento di una prova d’esame.

Programma

1. Il processo di esplorazione dei dati (data science process)

   Verranno illustrate le idee fondamentali dell’esplorazione dei dati, collocandole nello schema CRISP-DM (CRoss Industry Standard Process for Data Mining) elaborato da un consorzio di grandi società del settore Data Science (tra queste, NCR, Daimler, SPSS).Leggi di più

   Data mining, definizioni, obiettivi, metodi, applicazioni; modello CRISP-DM; formulazione del business problem e analisi delle chance di successo; selezione del metodo di esplorazione dei dati in funzione dei requisiti da soddisfare e degli obiettivi da perseguire.

2. La comprensione dei dati (data understanding)

   Verranno presentati principi e metodi per migliorare la comprensione dei dati grezzi: la loro natura, la loro organizzazione e accessibilità, la loro qualità, le relazioni (elementari) che li legano, sono di fondamentale importanza per orientare le fasi successive del processo di data mining.Leggi di più

   Dataset, oggetti, attributi; classificazione degli attributi in base alla scala di misura, granularità; qualità dei dati, accuratezza sintattica e semantica, completezza, rappresentatività, valori anomali (outlier) e valori mancanti (missing value); visualizzazione dei dati, grafici per un attributo, per due attributi, per tre o più attributi, riduzione della dimensione tramite MDS; dipendenza e correlazione tra due attributi.

3. La preparazione dei dati (data pretreatment o data preprocessing)

   Verranno discusse le principali operazioni da eseguire sui dati grezzi per risolvere alcuni dei problemi rilevati in fase di comprensione dei dati, aumentarne il potere informativo e potervi applicare i metodi del Machine Learning limitando il rischio di ottenere risultati poco attendibili.Leggi di più

   Selezione degli attributi, riduzione del loro numero, Principal Component Analysis; campionamento degli oggetti, curse of dimensionality; riduzione del rumore nei dati; trattamento dei dati mancanti (cancellazione, imputazione, esplicitazione); discretizzazione, binarizzazione, scalatura (normalizzazione max-min e standardizzazione z-score), trasformazioni Normality-oriented e altre trasformazioni degli attributi.

4. I metodi del Machine Learning: caratteristiche, esempi e applicazioni

   Verranno descritti e illustrati diversi metodi del Machine Learning. Per ognuno, ci si focalizzerà sul tipo di problemi che consente di affrontare, sui dati che richiede, sul tipo di risultati che genera, sul suo funzionamento generale (senza approfondire gli aspetti più tecnici). Verranno inoltre discusse due questioni centrali per l’implementazione di tutti i metodi, cioè l’addestramento e la validazione.Leggi di più

   I metodi del ML in base all’addestramento (supervisionato/non supervisionato) e all’output (classificazione, previsione, raggruppamento, deviazione, associazione); caratteristiche dei metodi del ML, esempi e applicazioni; addestramento di un algoritmo, training set e test set; adattamento ai dati, tipi di errore (sperimentale, campionario, specificazione, algoritmico); overfitting, validazione, validation set, validazione incrociata, bootstrapping, complessità di un modello, iperparametri.

Personalizzazioni

La SFA è disponibile a valutare richieste di personalizzazione del programma del corso sotto vari profili. Puoi aggiungere argomenti funzionali agli obiettivi formativi, anche in sostituzione di argomenti in programma valutati di minor interesse. Puoi aggiungere prerequisiti, qualora tu ritenga di non avere le conoscenze di base necessarie per affrontate uno o più argomenti. Possiamo anche calibrare la didattica dando maggiore attenzione agli aspetti teorici o, viceversa, a quelli operativi.

Vuoi maggiori informazioni?

• Scrivi allo Staff: info@matematicaonvideo.it
• Contatta il Responsabile SFA, Dott. Sandro Bencini, al 339.4169342.
• Prenota un appuntamento online con un nostro consulente per spiegarci le tue esigenze.
  
  

  Parliamone online