Udemy
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
Development
Web Development Data Science Mobile Development Programming Languages Game Development Database Design & Development Software Testing Software Engineering Development Tools No-Code Development
Business
Entrepreneurship Communications Management Sales Business Strategy Operations Project Management Business Law Business Analytics & Intelligence Human Resources Industry E-Commerce Media Real Estate Other Business
Finance & Accounting
Accounting & Bookkeeping Compliance Cryptocurrency & Blockchain Economics Finance Finance Cert & Exam Prep Financial Modeling & Analysis Investing & Trading Money Management Tools Taxes Other Finance & Accounting
IT & Software
IT Certification Network & Security Hardware Operating Systems Other IT & Software
Office Productivity
Microsoft Apple Google SAP Oracle Other Office Productivity
Personal Development
Personal Transformation Personal Productivity Leadership Career Development Parenting & Relationships Happiness Esoteric Practices Religion & Spirituality Personal Brand Building Creativity Influence Self Esteem & Confidence Stress Management Memory & Study Skills Motivation Other Personal Development
Design
Web Design Graphic Design & Illustration Design Tools User Experience Design Game Design Design Thinking 3D & Animation Fashion Design Architectural Design Interior Design Other Design
Marketing
Digital Marketing Search Engine Optimization Social Media Marketing Branding Marketing Fundamentals Marketing Analytics & Automation Public Relations Advertising Video & Mobile Marketing Content Marketing Growth Hacking Affiliate Marketing Product Marketing Other Marketing
Lifestyle
Arts & Crafts Beauty & Makeup Esoteric Practices Food & Beverage Gaming Home Improvement Pet Care & Training Travel Other Lifestyle
Photography & Video
Digital Photography Photography Portrait Photography Photography Tools Commercial Photography Video Design Other Photography & Video
Health & Fitness
Fitness General Health Sports Nutrition Yoga Mental Health Dieting Self Defense Safety & First Aid Dance Meditation Other Health & Fitness
Music
Instruments Music Production Music Fundamentals Vocal Music Techniques Music Software Other Music
Teaching & Academics
Engineering Humanities Math Science Online Education Social Science Language Teacher Training Test Prep Other Teaching & Academics
AWS Certification Microsoft Certification AWS Certified Solutions Architect - Associate AWS Certified Cloud Practitioner CompTIA A+ Cisco CCNA Amazon AWS CompTIA Security+ AWS Certified Developer - Associate
Graphic Design Photoshop Adobe Illustrator Drawing Digital Painting InDesign Character Design Canva Figure Drawing
Life Coach Training Neuro-Linguistic Programming Mindfulness Personal Development Personal Transformation Meditation Life Purpose Emotional Intelligence Neuroscience
Web Development JavaScript React CSS Angular PHP WordPress Node.Js Python
Google Flutter Android Development iOS Development Swift React Native Dart Programming Language Mobile Development Kotlin SwiftUI
Digital Marketing Google Ads (Adwords) Social Media Marketing Google Ads (AdWords) Certification Marketing Strategy Internet Marketing YouTube Marketing Email Marketing Retargeting
SQL Microsoft Power BI Tableau Business Analysis Business Intelligence MySQL Data Modeling Data Analysis Big Data
Business Fundamentals Entrepreneurship Fundamentals Business Strategy Online Business Startup Business Plan Freelancing Blogging Home Business
Unity Game Development Fundamentals Unreal Engine C# 3D Game Development C++ 2D Game Development Unreal Engine Blueprints Blender
30-Day Money-Back Guarantee
Development Data Science R

Corso completo per Data Science e machine learning con R

Da principiante a esperto nelle tecniche di Data Science con R: machine learning, network neurali, text mining e...
Rating: 4.3 out of 54.3 (337 ratings)
1,583 students
Created by Valentina Porcu
Last updated 2/2021
Italian
30-Day Money-Back Guarantee

What you'll learn

  • Ripasso delle basi di R e delle sue strutture dati
  • Ambienti di programmazione per il Data Science
  • Importazione di dataset in R
  • Creazione grafici ed esplorazione dataset
  • Manipolazione e gestione dataset
  • Preprocessing e pulizia dei dati per l'analisi
  • Introduzione al machine learning con R
  • Teoria e algoritmi di machine learning, metodi supervisionati e non supervisionati
  • Metodi ensemble: bagging, boosting
  • Validazione e valutazione dei modelli
  • Pulizia e analisi testi
  • Metodi per la Sentiment Analysis

Course content

14 sections • 178 lectures • 20h 1m total length

  • Preview04:09
  • Preview09:47
  • Il processo di analisi
    03:52
  • Codice del corso
    00:02

  • Preview02:55
  • Preview02:36
  • Personalizzare e utilizzare RStudio
    09:46
  • Utilizzare altri IDE
    09:07
  • R pro e contro
    02:36
  • Commentare il codice
    01:33
  • Operazioni matematiche di base
    04:00
  • Creazione di oggetti
    07:29
  • Le parentesi
    01:16
  • Tipi di variabili in statistica
    02:38
  • Le strutture dati in R
    01:13
  • Vettori
    26:29
  • Matrici
    20:14
  • Array
    01:42
  • Liste
    04:32
  • Fattori
    06:06
  • Dataframe
    19:51
  • Stringhe
    14:37
  • Date
    06:03
  • Convertire le strutture dati
    01:46
  • R base versus tidyverse
    02:20
  • Operatori relazionali
    02:41
  • Strutture di controllo
    05:54
  • Funzioni
    05:45
  • Impostare una directory di lavoro
    02:17
  • Installare e richiamare un pacchetto
    04:59
  • Formati dati e fonti comuni per l'analisi
    07:49
  • Importazione dati
    01:20
  • Files csv
    15:18
  • Files Excel
    02:34
  • Files txt
    03:30
  • Subsetting
    06:20
  • La famiglia apply
    04:44
  • Manipolazione dati con dplyr
    07:20
  • Altri pacchetti per la manipolazione dati
    07:58
  • Unire due dataset
    04:07

  • Analisi esplorativa
    09:40
  • La funzione set.seed
    01:55
  • Data cleaning
    02:38
  • Alcuni metodi per la preparazione dei dati
    10:27
  • Il pacchetto outliers
    05:30
  • Forzare una variabile come fattore
    03:54
  • Codificare le variabili categoriche
    02:53
  • Standardizzazione dei dati
    04:00

  • Introduzione al machine learning
    05:26
  • Fasi del machine learning
    04:12
  • Tipi di algoritmi per il machine learning
    04:52
  • Problemi del machine learning
    03:27
  • Metodi supervisionati
    03:19
  • Analisi di regressione
    03:17
  • Regressione lineare semplice
    10:39
  • Regressione multipla in R
    07:09
  • Regressione logistica in R
    06:56
  • k-nearest neighbors
    04:50
  • Calcolo della distanza
    01:02
  • La distanza euclidea
    04:33
  • Esempio di k-nn con R
    14:28
  • Support Vector machines
    03:35
  • Divisione dei dati in spazi non lineari
    01:57
  • Esempi di SVM con R
    02:56
  • Alberi di decisione
    09:48
  • Esempi di DT con R
    04:32
  • Il calcolo delle probabilità
    09:23
  • Probabilità e metodo predittivo
    04:10
  • Esempio di Naive Bayes con R
    02:31
  • Metodi non supervisionati
    01:02
  • Clustering
    05:16
  • L'algoritmo kmeans
    03:57
  • Esempio di kmeans con R
    04:31
  • Analisi delle associazioni
    06:07
  • Apriori con R
    09:25

  • Metodi ensemble
    01:04
  • Bagging
    01:02
  • Boosting
    01:48
  • Random Forest
    00:48
  • XGBoost
    01:28
  • Esempi di metodi ensemble con R
    18:31
  • Tecniche per la riduzione della dimensionalità
    04:12
  • Riduzione della dimensionalità con R
    05:21

  • L’uso del machine learning nell’analisi dei testi
    02:19
  • Natural Language Processing
    15:16
  • Trattamento e pulizia dei testi
    04:59
  • Vettorializzazione di un testo
    02:45
  • Misurare la distanza tra due testi
    03:37
  • TF-IDF
    02:36
  • Tipi di strutture per l'analisi
    02:45
  • Le espressioni regolari con R
    05:16
  • Naïve Bayes in R sullo spam
    10:29
  • Esempio di regressione logistica su testi con R
    07:26
  • Alberi di decisione con R - pacchetto rpart su dati testuali
    04:32

  • Sentiment Analysis
    04:23
  • Naive Bayes e Sentiment
    02:11
  • Fonti dati per la Sentiment Analysis
    02:01
  • Metodi per la Sentiment Analysis con R
    00:46
  • Metodi non supervisionati
    06:14
  • Metodi supervisionati
    08:40

  • L'importanza e gli utilizzi dei network neurali
    06:57
  • Storia e caratteristiche delle reti neurali
    06:32
  • Il cervello umano
    04:20
  • Il neurone artificiale
    01:44
  • Le differenze tra i due sistemi
    02:59
  • Tipi di reti neurali
    04:08
  • Perceptrone
    06:19
  • Addestramento della rete
    05:00
  • Deep Neural Networks o reti neurali profonde
    01:52
  • I framework per il deep learning
    03:51
  • Reti feedforward
    02:08
  • Esempio di rete feedforward con nnet
    12:25
  • Esempio di rete neurale con neuralnet
    14:19
  • Esempio di previsione con output numerici
    12:10
  • L’algoritmo di backpropagation
    02:38
  • Il metodo del gradiente
    02:50
  • Funzioni di attivazione
    02:21
  • Parametri per le reti neurali
    02:50
  • Rappresentare dati non strutturati per il deep learning
    03:55
  • Dai vettori ai tensori in R
    06:05
  • Keras per R
    00:12
  • CPU/GPU
    04:12
  • Un primo esempio di modello con keras e iris su R
    26:24
  • Esempio di classificazione binaria sul dataset Pima con R
    15:59
  • Esempio di regressione semplice con R
    09:40
  • Esempio di regressione multipla sul dataset Boston con R
    11:50
  • Tensorflow Playground
    07:05
  • Computer Vision
    06:13
  • Il deep learning nella computer vision
    05:50
  • Convolutional neural networks - CNN
    16:25
  • Stride e pooling
    04:31
  • Capiamo come viene letta un'immagine dal computer - con R
    18:11
  • Esempio di CNN con R e il dataset MNIST
    21:33
  • Esempio di CNN con R e il dataset CIFAR
    13:48

  • Introduzione ai Big Data
    08:06
  • Introduzione a Spark
    05:39
  • La transizione da Spark 1.0 a Spark 2.0
    05:31
  • Modalità di esecuzione di Spark
    01:04
  • Il local mode in R
    07:04
  • L'utilizzo dei sistemi distribuiti
    05:25
  • Utilizzare Spark con Databricks
    03:55
  • Strutture dati e astrazioni in Spark
    02:50
  • Primi passi con SparkR
    27:37
  • Formati dati per il data mining in R
    07:54
  • Importazione file con SparkR
    07:30
  • Spark SQL
    01:27
  • Operazioni sui DataFrame
    22:38
  • Operazioni sui DataFrame / seconda parte
    21:47
  • Statistiche di base con SparkR
    15:07
  • Data cleaning con SparkR
    06:46
  • I database SQL
    09:10
  • I database NoSQL
    06:00
  • Il linguaggio SQL in Spark
    06:51
  • Machine learning con Spark e R
    06:26
  • Esempi di regressione lineare con SparkR
    11:37
  • Esempi di regressione logistica con SparkR
    13:12
  • Esempi di Support Vector Machines con SparkR
    09:15
  • Esempi di metodi ensemble con SparkR
    17:30
  • Esempi di Naive Bayes con SparkR
    09:40
  • Esempi di kmeans con SparkR
    08:34

  • La gestione delle date con R
    13:53

Requirements

  • Conoscenza base di R

Description

Questo corso sul Data Science con R 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 R in un percorso attraverso le varie anime del Data Science.

Cominceremo con un ripasso delle basi di R, 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 R, 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.

Nelle ultime sezioni vedremo alcuni rudimenti di analisi temporale, sistemi di raccomandazione e social media mining.

Who this course is for:

  • Chi conosce già un po' di programmazione R e vuole cominciare un percorso nel data science
  • Chi cerca un percorso completo per farsi un'idea delle tante anime del Data Science con R

Instructor

Valentina Porcu
Data Scientist
Valentina Porcu
  • 4.2 Instructor Rating
  • 2,717 Reviews
  • 13,356 Students
  • 9 Courses

I'm a computer geek, data mining and research passionate, with a Ph.D in communication and complex systems and years of experience in teaching in Universities in Italy, France and Morocco, and online, of course!

I work as consultant in the field of data mining and machine learning and I like writing about new technologies and data mining. 

I spent the last 12 years working as freelance and researcher in the field of social media analysis, benchmark analysis and  web scraping for database building, in particular in the field of buzz analysis and sentiment analysis for universities, startups and web agencies across UK, France, US and Italy. 

  • Udemy for Business
  • Teach on Udemy
  • Get the app
  • About us
  • Contact us
  • Careers
  • Blog
  • Help and Support
  • Affiliate
  • Impressum Kontakt
  • Terms
  • Privacy policy
  • Cookie settings
  • Sitemap
  • Featured courses
Udemy
© 2021 Udemy, Inc.