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 Python

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...
Rating: 4.1 out of 54.1 (1,226 ratings)
5,600 students
Created by Valentina Porcu
Last updated 2/2021
Italian
30-Day Money-Back Guarantee

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

Course content

11 sections • 140 lectures • 17h 46m total length

  • Preview04:39
  • Preview09:47
  • Il processo di analisi
    03:52
  • Preview12:22
  • CODICE DEL CORSO
    00:01

  • Preview01:32
  • Differenze tra Python2 e Python3
    03:53
  • Impostare una working directory
    03:22
  • Utilizzare il terminale
    01:32
  • Preview03:00

  • Gli oggetti in Python
    01:33
  • Parole riservate per il sistema, commenti, indentazione
    04:07
  • Tipi di dati - 1
    18:52
  • Tipi di dati - 2
    15:05
  • Operatori
    10:13
  • Funzioni
    17:53
  • Programmazione orientata agli oggetti
    07:54
  • La funzione lambda
    01:34
  • Errori ed eccezioni
    05:19

  • Importare un dataset
    10:02
  • Manipolare un dataset
    27:27
  • Creare dei dataset casuali
    04:26
  • Statistica di base
    03:06
  • Creazione grafici con Matplotlib
    19:53
  • Analisi esplorativa dei dataset con Seaborn
    11:34
  • Preparazione dei dati per l'analisi
    12:28
  • Esempio di pulizia di un dataset in Python
    14:50
  • Normalizzazione dei dati
    03:57
  • Codifica delle variabili categoriche
    02:36
  • Creazione di variabili dummy
    03:22

  • Introduzione al machine learning
    05:38
  • 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
    06:04
  • Regressione lineare in Python
    02:31
  • Regressione multipla in Python
    15:17
  • Regressione logistica in Python
    09:37
  • k-nearest neighbors
    04:50
  • Calcolo della distanza
    01:02
  • La distanza euclidea
    04:33
  • Esempio di k-nn con Python
    13:43
  • K-nn - esempio 2
    23:58
  • Support Vector Machines
    03:35
  • Esempio di SVM con Python
    11:50
  • Divisione dei dati in spazi non lineari
    01:57
  • Secondo esempio di SVM in Python
    12:21
  • Alberi di decisione
    09:48
  • Esempio di DT con Python
    15:41
  • Il calcolo delle probabilità
    09:23
  • Probabilità e metodo predittivo
    04:10
  • Modello di codice per il Naïve Bayes con Python
    01:17
  • Metodi non supervisionati
    01:02
  • Clustering
    05:16
  • L'algoritmo kmeans
    03:57
  • Esempio di kmeans con Python
    17:36
  • Clustering gerarchico
    01:25
  • Analisi delle associazioni
    06:07

  • Metodi ensemble
    01:04
  • Random Forest
    00:48
  • Bagging
    01:02
  • Boosting
    01:48
  • XGBoost
    01:28
  • Codice per i metodi ensemble in Python
    26:28
  • Tecniche per la riduzione della dimensionalità
    04:12
  • Codice per la PCA con Python
    06:42

  • 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 Python
    08:03
  • Modelli di machine learning sui testi
    27:19

  • Sentiment Analysis
    04:23
  • Naïve Bayes e Sentiment
    02:11
  • Fonti dati per la Sentiment Analysis
    02:01
  • Sentiment Analysis con Python
    24:34

  • 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
  • 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
  • Gli array in Python
    07:36
  • Keras per Python
    00:08
  • Esempio di regressione semplice con Python
    12:05
  • Esempio di regressione sul dataset Boston con Python
    10:41
  • Esempi di classificazione con Python
    32:11
  • 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
  • Esempio di CNN con Python e il dataset MNIST - prima parte
    26:59
  • Esempio di CNN con Python e il dataset MNIST - seconda parte
    16:45
  • Esempio di CNN con Python e il dataset CIFAR
    14:06

  • Introduzione ai Big Data
    08:06
  • Le 3 V
    05:21
  • Hadoop e il suo ecosistema
    11:16
  • Fasi dell'analisi e relative tecnologie
    04:54
  • MapReduce vs Spark
    01:23
  • Hadoop vs Spark
    01:22
  • Introduzione a Spark
    05:39
  • La transizione da Spark 1.0 a Spark 2.0
    05:31
  • Approfondimento sugli RDD
    00:28
  • Modalità di esecuzione di Spark
    01:04
  • Il local mode in Python
    04:57
  • L'utilizzo dei sistemi distribuiti
    05:25
  • Utilizzare Spark con Databricks
    03:56
  • Strutture dati e astrazioni in Spark
    02:50
  • Prime impostazioni dell'ambiente di lavoro
    03:30
  • Funzioni di base e manipolazione dati sui DataFrame
    21:49
  • Formati dati per il data mining
    07:24
  • Importazione files in pyspark
    06:17
  • Spark SQL
    01:27
  • Data cleaning con pyspark
    09:58
  • I database SQL
    09:10
  • I database NoSQL
    06:00
  • Il linguaggio SQL in pyspark
    05:42
  • Esempi di regressione lineare con pyspark
    18:30
  • Esempi di regressione logistica con pyspark
    21:11
  • Esempi di decision trees con pyspark
    14:31
  • Esempi di Support Vector Machines con pyspark
    21:39
  • Esempi di Naive Bayes con pyspark
    18:22
  • Esempi di kmeans con pyspark
    12:23

Requirements

  • Conoscenza base di Python

Description

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.

Who this course is for:

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

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.