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?

Scienza dei dati ovunque!

L’importanza della data science

Applicazioni della data science

Dose giornaliera di data science

La scienza degli assistenti intelligenti

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

Frequenza dell'asma

Tipi di dati

Classificare i tipi di dati

Net Promoter Score

Activity tracker

Archiviazione e recupero dei dati

Piattaforme cloud

Interrogare un 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

Analisi esplorativa visiva

Visualizzazione

Dashboard interattive

Migliorare una 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

Risultati intermedi

Previsione di serie temporali

Classificazione dei dati di serie temporali

Interpretare un grafico di serie temporali

Machine Learning supervisionato

Quando utilizzare l'apprendimento supervisionato

Caratteristiche ed etichette

Valutazione del modello

Clustering

Supervisionato vs. Non supervisionato

Selezionare la dimensione del cluster

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.

Analisi esplorativa dei dati

Create Your Free Account