or
Questo esercizio fa parte del corso
Inizieremo definendo che cos'è la data science. Vedremo il flusso di lavoro della data science e come viene applicata a problemi reali. Concluderemo il capitolo esplorando i diversi ruoli all'interno del campo della data science.
Ora che conosciamo il flusso di lavoro della data science, approfondiremo il primo passo: la raccolta e l'archiviazione dei dati. Vedremo le diverse fonti da cui puoi attingere, l'aspetto che possono avere i dati, come conservarli una volta raccolti e come una data pipeline può automatizzare il processo.
La preparazione dei dati è fondamentale: i data scientist trascorrono l'80% del tempo a pulire e manipolare i dati e solo il 20% ad analizzarli davvero. Questo capitolo ti mostrerà come diagnosticare i problemi nei tuoi dati e gestire valori mancanti e outlier. Poi passerai alla visualizzazione, un altro strumento essenziale sia per esplorare i dati sia per comunicare i risultati.
In questo capitolo finale parleremo di sperimentazione e previsione! Partendo dagli esperimenti, tratteremo l'A/B testing, per poi passare al forecasting su serie temporali, dove impareremo a prevedere eventi futuri. Infine, concluderemo con il Machine Learning, concentrandoci sul supervised learning e sul clustering.
Esercizio attuale