Corso Completo di Data Science con Python
4.2 (36 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
227 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Corso Completo di Data Science con Python to your Wishlist.

Add to Wishlist

Corso Completo di Data Science con Python

Da principiante a esperto nelle tecniche di Data Science con Python: machine learning, network neurali, text mining e...
4.2 (36 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
227 students enrolled
Created by Valentina Porcu
Last updated 8/2017
Italian
Current price: $10 Original price: $160 Discount: 94% off
5 hours left at this price!
30-Day Money-Back Guarantee
Includes:
  • 9.5 hours on-demand video
  • 1 Article
  • 1 Supplemental Resource
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I 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
  • Introduzione al machine learning con Python
  • Teoria e algoritmi di machine learning
View Curriculum
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.

*** Questo corso sarà completato durante le prossime settimane con altre sezioni relative a:

- Deep learning

- Big Data

- Serie Temporali

- Web Scraping

- Sistemi di raccomandazione

- Social media mining

- Social Network Analysis

- altri pacchetti per la creazione grafici

Who is the target audience?
  • 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
Students Who Viewed This Course Also Viewed
Curriculum For This Course
80 Lectures
09:38:38
+
Concetti introduttivi su Python
5 Lectures 13:19

Differenze tra Python2 e Python3
03:53

Impostare una working directory
03:22

Utilizzare il terminale
01:32

+
Ripasso sui concetti di base
10 Lectures 01:27:00
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

Esempio di creazione di una classe
04:30

La funzione lambda
01:34

Errori ed eccezioni
05:19
+
Gestire i dataset con pandas
11 Lectures 01:53:41
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
+
Machine learning con Python
30 Lectures 03:35:51
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
08:39

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 e riduzione della dimensionalità
8 Lectures 43:32
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
+
Natural Language Processing
9 Lectures 01:09:39
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
2 Lectures 06:34
Sentiment Analysis
04:23

Naïve Bayes e Sentiment
02:11
+
Gestione delle date e delle serie temporali
1 Lecture 07:15
Gestire le date
07:15
About the Instructor
Valentina Porcu
4.4 Average rating
175 Reviews
2,758 Students
9 Courses
Data Scientist

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 9 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.