modulo #1 Introduzione alla scienza dei dati Panoramica della scienza dei dati, importanza e applicazioni
modulo #2 Processo di scienza dei dati Comprensione del processo di scienza dei dati: definizione del problema, raccolta dati, pulizia, analisi e visualizzazione
modulo #3 Python per la scienza dei dati Introduzione al linguaggio di programmazione Python e alle sue librerie per la scienza dei dati (NumPy, Pandas, ecc.)
modulo #4 Preelaborazione dei dati Gestione dei valori mancanti, normalizzazione dei dati, ridimensionamento delle funzionalità e trasformazione dei dati
modulo #5 Visualizzazione dei dati Introduzione alla visualizzazione dei dati tramite Matplotlib e Seaborn
modulo #6 Statistica descrittiva Misure di tendenza centrale, variabilità e distribuzione dei dati
modulo #7 Statistica inferenziale Test di ipotesi, intervalli di confidenza e valori p
modulo #8 Analisi di regressione Regressione lineare semplice e multipla, ipotesi di regressione e valutazione del modello
modulo #9 Ingegneria delle funzionalità Selezione, estrazione e creazione delle funzionalità tecniche
modulo #10 Apprendimento supervisionato Introduzione all'apprendimento supervisionato, classificazione e regressione
modulo #11 Apprendimento non supervisionato Introduzione all'apprendimento non supervisionato, clustering e riduzione della dimensionalità
modulo #12 Valutazione del modello Metriche per la valutazione delle prestazioni del modello, overfitting e underfitting
modulo #13 Alberi decisionali e foreste casuali Introduzione agli alberi decisionali e alle foreste casuali, vantaggi e limitazioni
modulo #14 Macchine a vettori di supporto Introduzione alle macchine a vettori di supporto, kernel trick e tipi SVM
modulo #15 Reti neurali Introduzione alle reti neurali, perceptron e perceptron multistrato
modulo #16 Apprendimento profondo Introduzione all'apprendimento profondo, alle reti neurali convoluzionali e alle reti neurali ricorrenti
modulo #17 Elaborazione del linguaggio naturale Introduzione all'elaborazione del linguaggio naturale, alla preelaborazione del testo e alla rappresentazione del testo
modulo #18 Big Data e database NoSQL Introduzione ai big data, Hadoop ecosistema e database NoSQL
modulo #19 Data Storytelling Comunicazione efficace di approfondimenti e risultati tramite visualizzazione e storytelling dei dati
modulo #20 Strumenti e tecnologie di Data Science Introduzione agli strumenti e alle tecnologie di Data Science, Jupyter Notebooks e Git
modulo #21 Caso di studio 1:Analisi di regressione Applicazione dell'analisi di regressione a un problema reale
modulo #22 Caso di studio 2:Classificazione Applicazione di tecniche di classificazione a un problema reale
modulo #23 Caso di studio 3:Clustering Applicazione di tecniche di clustering a un problema reale
modulo #24 Riepilogo e conclusione del corso Pianificare i prossimi passi nella carriera di Data Science
