Corso completo di Data Science e machine learning con Python

Da principiante a esperto nelle tecniche di Data Science con Python: machine learning, network neurali, text mining e...

What you'll learn:

• Ripasso delle basi di Python e delle sue strutture dati
• Ambienti di programmazione per il Data Science
• Importazione di dataset in Python
• Creazione grafici ed esplorazione dataset
• Manipolazione e gestione dataset
• Preprocessing e pulizia dei dati per l'analisi
• Teoria e algoritmi di machine learning, metodi supervisionati e non supervisionati
• Teoria e algoritmi di machine learning
• Valutazione e validazione di modelli
• Pulizia e analisi testi
• Metodi per la Sentiment Analysis

Questo corso sul Data Science con Python nasce per essere un percorso completo su come si è evoluta l'analisi dati negli ultimi anni a partire dall'algebra e dalla statistica classiche. L'obiettivo è accompagnare uno studente che ha qualche base di Python in un percorso attraverso le varie anime del Data Science.

Cominceremo con un ripasso delle basi di Python, a partire dallo scaricamento e installazione, all'impostazione dell'ambiente di lavoro, passando per le strutture, la creazione di funzioni, l'uso degli operatori e di alcune funzioni importanti.

Passeremo poi a vedere come manipolare e gestire un dataset, estrarne dei casi oppure delle variabili, generare dei dataset casuali, calcolare delle misure statistiche di base, creare grafici con i pacchetti Matplotlib e Seaborn.

Nelle sezioni successive cominciamo a entrare nel cuore del Data Science con Python, a cominciare dal preprocessing: vediamo infatti come ripulire e normalizzare un dataset, e come gestire i dati mancanti.

La sezione successiva ci permette di cominciare a impostare dei modelli di machine learning con Python: vedremo tutti gli algoritmi più comuni, sia supervisionati che non supervisionati, come la regressione, semplice, multipla e logistica, il k-nearest neighbors, il Support Vector Machines, il Naive Bayes, gli alberi di decisione e il clustering.

Passeremo poi ai più comuni metodi ensemble, come il Random Forest, il Bagging e il Boosting, e all'analisi del linguaggio naturale e al suo utilizzo nel machine learning per la catalogazione dei testi.