Inizieremo il corso chiarendo cos'è la data science. Esploreremo il suo flusso di lavoro e come può essere applicata a problemi reali. Concluderemo il capitolo imparando a conoscere i principali ruoli professionali all'interno di questo settore.

Che cos'è la data science o scienza dei dati?

Data science everywhere!

L’importanza della data science

Applicazioni della data science

Dose giornaliera di data science

The science of smart assistants

Ruoli e strumenti della data science

Selezionare il candidato giusto

Un ruolo da data scientist

Introduzione alla Data Science

Ora che abbiamo compreso il flusso di lavoro della data science, approfondiamo la prima fase: la raccolta e l'archiviazione dei dati. Scopriremo quali sono le diverse fonti di dati a cui puoi attingere, come si presentano i dati, come archiviarli una volta raccolti e come una pipeline di dati può automatizzare il processo.

Fonti di dati

Ordinamento delle fonti di dati

Asthma frequencies

Tipi di dati

Classificare i tipi di dati

Net promoter score

Activity tracker

Archiviazione e recupero dei dati

Piattaforme cloud

Querying a database

Quale tipo di database?

Pipeline di dati

Caratteristiche della pipeline di dati

Estrazione, Trasformazione e Caricamento

Raccolta e Archiviazione dei dati

La preparazione dei dati è fondamentale: i data scientist dedicano l'80% del loro tempo alla pulizia e alla manipolazione dei dati e solo il 20% del loro tempo all'analisi effettiva. Questo capitolo ti mostrerà come diagnosticare i problemi nei tuoi dati, come gestire i valori mancanti e gli outlier o valori anomali. Imparerai poi a conoscere la visualizzazione, un altro strumento essenziale per esplorare i tuoi dati e comunicare i tuoi risultati.

Data Preparation

La verità è là fuori

Attività

Falso

Vero

Sei pronto?

Analisi esplorativa dei dati

Analisi esplorativa dei dati numerica

Visual EDA

Visualizzazione

Interactive dashboards

Improving a dashboard

Preparazione, esplorazione e visualizzazione

In questo capitolo finale, parleremo di sperimentazione e previsione! Iniziando con gli esperimenti, parleremo dei test A/B e passeremo alla previsione di serie temporali, dove impareremo a prevedere eventi futuri. Infine, concluderemo con il machine learning, esaminando l'apprendimento supervisionato e il clustering.

Test A/B

Creare un flusso di lavoro per i test A/B

Significatività statistica

Intermediate results

Previsione di serie temporali

Classificazione dei dati di serie temporali

Interpret a time series plot

Machine Learning supervisionato

Quando utilizzare l'apprendimento supervisionato

Features and labels

Valutazione del modello

Clustering

Supervisionato vs. Non supervisionato

Cluster size selection

Congratulazioni!

Sperimentazione e previsione

Course Glossary

Cos'è la data science o scienza dei dati, perché è così popolare e perché l'Harvard Business Review l'ha definita "il lavoro più sexy del XXI secolo"? In questo corso non tecnico, ti verrà spiegato tutto ciò che hai sempre avuto paura di chiedere su questo campo entusiasmante e in rapida crescita, senza dover scrivere una sola riga di codice. Attraverso esercizi pratici, imparerai a conoscere i diversi ruoli dei data scientist, argomenti fondamentali come test A/B, analisi delle serie temporali e machine learning, e come i data scientist estraggono conoscenze ed informazioni da dati reali. Non farti intimidire dai termini tecnici. Inizia a imparare, acquisisci competenze in questo campo in forte crescita, e scopri perché la data science è accessibile a tutti!

Scopri la data science, la sua popolarità e impara con esercizi pratici. Nessun codice richiesto.

Comprendere la Data Science

Un'introduzione alla data science senza necessità di programmare.

Comprendere gli argomenti dei dati

I dati sono spesso pronti per essere analizzati.

Dati ordinati significa organizzare i dati con le caratteristiche come righe e le osservazioni come colonne.

I nomi dei Paesi devono sempre essere abbreviati.

I dati non preparati possono causare errori, algoritmi distorti e risultati non corretti.

L'eliminazione dei duplicati, la verifica dei tipi di dati, la gestione dei valori mancanti e la garanzia che i valori utilizzino lo stesso sistema di misurazione fanno parte della preparazione dei dati.

I valori mancanti sono complicati, ma ci sono diversi modi per gestirli.

Sei pronto?

Comprendere la Data Science

esercizio interattivo pratico