Data ScienceIntermedio
Data Science con Python
Analizza dati reali con NumPy e pandas, direttamente nel browser.
19 capitoli76 lezioni48 sfide
Programma del corso
Capitolo 1: Introduzione e NumPy
- ▸Cos'è la data science
- ▸NumPy: array e operazioni
- ▸Indici e slicing degli array
- ▸Maschere booleane
Capitolo 2: La Series
- ▸La Series
- ▸Statistiche su una Series
- ▸Indici personalizzati
- ▸Contare i valori
Capitolo 3: Il DataFrame
- ▸Il DataFrame
- ▸Colonne e dimensioni
- ▸Esplorare i dati
- ▸Nuove colonne e loc/iloc
Capitolo 4: Selezione e filtri
- ▸Selezionare colonne e righe
- ▸Filtrare con condizioni
- ▸isin e condizioni su testo
- ▸Valori mancanti
Capitolo 5: groupby e aggregazioni
- ▸Raggruppare con groupby
- ▸Aggregazioni e ordinamento
- ▸Aggregazioni multiple
- ▸Ordinare e prendere i top
Capitolo 6: Pulizia dei dati
- ▸Valori mancanti (NaN)
- ▸Rimuovere i mancanti: dropna
- ▸Riempire i mancanti: fillna
- ▸Duplicati e tipi
Capitolo 7: Trasformazione dei dati
- ▸apply
- ▸map e replace
- ▸Operazioni sulle stringhe: .str
- ▸Date e tempo
Capitolo 8: Combinare i dati
- ▸concat
- ▸merge: la join
- ▸Tipi di join
- ▸join sull'indice
Capitolo 9: Reshape dei dati
- ▸pivot_table
- ▸melt
- ▸stack e unstack
- ▸Tidy data
Capitolo 10: Statistica descrittiva
- ▸Misure di centro
- ▸Misure di dispersione
- ▸Correlazione
- ▸Distribuzione e outlier
Capitolo 11: Serie temporali
- ▸Date con to_datetime
- ▸L'indice temporale
- ▸resample
- ▸Finestre mobili: rolling
Capitolo 12: Visualizzazione dei dati
- ▸Perché e come visualizzare
- ▸I tipi di grafico
- ▸Preparare i dati per il grafico
- ▸Personalizzare e best practice
Capitolo 13: Introduzione al Machine Learning
- ▸Cos'è il Machine Learning
- ▸Il flusso fit / predict
- ▸Train / test split
- ▸Feature e target (X e y)
Capitolo 14: Regressione
- ▸Cos'è la regressione
- ▸Regressione lineare
- ▸Prevedere e valutare
- ▸Regressione multipla
Capitolo 15: Classificazione
- ▸Cos'è la classificazione
- ▸Regressione logistica
- ▸Alberi di decisione
- ▸predict e predict_proba
Capitolo 16: Metriche e validazione
- ▸Accuracy e confusion matrix
- ▸Precision, recall, F1
- ▸Overfitting e underfitting
- ▸Cross-validation
Capitolo 17: Preprocessing e pipeline
- ▸Perché preprocessare
- ▸Standardizzazione
- ▸Codificare le categorie
- ▸Pipeline
Capitolo 18: Modelli avanzati e clustering
- ▸Ensemble e Random Forest
- ▸Tuning degli iperparametri
- ▸Clustering con KMeans
- ▸Riduzione dimensionale: PCA
Capitolo 19: Progetto end-to-end
- ▸Il flusso di un progetto
- ▸Un flusso di classificazione completo
- ▸Un flusso di regressione completo
- ▸Best practice senior
Pronto a salire di livello?
Crea un account gratuito e inizia subito: guadagni XP a ogni sfida e scali la classifica.