Solo pochi attimi di attesa

Posizione corrente:

Ti trovi in: Home » Scuola di Formazione Aziendale » Analisi dei dati » Introduzione al Data Science I

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

Il Data Science utilizza i metodi del Machine Learning per esplorare automaticamente i dati ed estrarne informazioni non immediatamente visibili, ma ad alto valore aggiunto. In generale, si tratta di trovare “regole” nascoste nei dati e utili in problemi di vario genere.

L’applicazione di questi metodi, tuttavia, costituisce solo l’ultima fase del processo di esplorazione dei dati (data science process). Prima di essa, è cruciale la fase della comprensione dei dati (data understanding), perché le loro caratteristiche spesso orientano il lavoro successivo. Il corsista imparerà semplici tecniche analitiche e grafiche, utili a individuare, con poco sforzo, criticità come dati mancanti, anomali, ecc.

Una volta compresi, i dati dovranno essere preparati (data pretreatment) per potervi applicare i metodi del Machine Learning. Infatti, senza opportune correzioni e trasformazioni dei dati, molti metodi esplorativi sono inutilizzabili, o generano risultati non attendibili. Il corsista imparerà, tra l’altro, a migliorare la qualità dei dati, a creare variabili più informative, a selezionare solo alcune variabili a discapito di altre.

Giunti alla fase esplorativa vera e propria, la scelta tra i numerosi metodi del Machine Learning dovrà tener conto degli obiettivi dell’analisi, dei dati disponibili e del trade-off tra risultati attesi e difficoltà di implementazione. Verranno presentati i metodi principali e forniti esempi di applicazioni pratiche. Il corsista imparerà a ragionare sulla formulazione dei modelli, sulle ipotesi retrostanti, sui dati richiesti, sui risultati generati e sulla loro interpretazione.

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.

Sono previste 13 ore di lezione erogate da uno o più Tutor della SFA; si suggerisce un minimo di 2-3 ore a settimana. Giorni e orari di lezione vanno concordati con i Tutor; si assicura ogni sforzo per accomodare le preferenze dei partecipanti, entro la finestra 8:00 – 23:00, lun – dom.

Quota di partecipazione

450,00€.

La quota di partecipazione può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale tramite la nostra piattaforma (Tutoring Room). Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti e/o in aula tradizionale.

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

  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

  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

  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

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?

Scopri di cosa parliamo

Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet, consectetur, adipisci velit, sed quia non numquam eius modi tempora incidunt ut labore et dolore magnam aliquam keywords.