Syllabus del Corso di Programmazione & Analisi Dati
Obiettivi del Corso:
- Impartire una conoscenza approfondita di Python, dalle sue basi sintattiche alle strutture dati complesse, per sviluppare solide competenze di programmazione applicabili a vari ambiti.
- Introdurre le fondamenta dell'analisi dei dati utilizzando Pandas e Numpy, consentendo ai partecipanti di manipolare, analizzare e accedere ai dati in modo efficace.
- Esplorare tecniche avanzate di visualizzazione dei dati con Matplotlib e Seaborn, per comunicare risultati complessi attraverso grafici e diagrammi intuitivi.
- Fornire una solida base nel machine learning con Python, attraverso l'uso di Scikit-learn per l'apprendimento supervisionato e non supervisionato, inclusi modelli di regressione e classificazione.
- Approfondire metodi di data mining, clustering, e riduzione della dimensionalità, utilizzando Scikit-learn e Scipy, per scoprire pattern nascosti nei dati e migliorare la preparazione dei dati per il machine learning.
- Preparare i partecipanti a gestire sfide reali nel campo dell'analisi dei dati e del machine learning, attraverso l'applicazione pratica delle competenze acquisite in progetti finali che integrano data mining, analisi dei dati e tecniche di machine learning.
Durata del Corso: 30 ore, suddivise in 20 lezioni da 1 ora e 30 minuti ciascuna.
________________________
Lezione 1: Introduzione a Python
• Panoramica del corso.
• Installazione di Python e configurazione dell’ambiente di sviluppo.
• Sintassi di base di Python: variabili, tipi di dati, operazioni.
Lezione 2: Strutture Dati in Python
• Liste, tuple, dizionari, set.
• Comprensioni di liste e dizionari.
Lezione 3: Controllo del Flusso
• Condizioni, cicli for e while.
• Istruzioni break, continue, pass.
Lezione 4: Funzioni e Moduli
• Definizione e chiamata di funzioni.
• Scopo delle variabili, parametri, valori di ritorno.
• Importazione di moduli e pacchetti.
Lezione 5: Gestione delle Eccezioni e File I/O
• Gestione delle eccezioni.
• Lettura e scrittura di file.
Lezione 6: Analisi dei Dati con Pandas e Numpy
• Installazione e configurazione di Pandas e Numpy.
• Serie e DataFrame: creazione, manipolazione, accesso ai dati.
• Operazioni matematiche e scientifiche con Numpy.
Lezione 7: Operazioni Avanzate con Pandas
• Operazioni sui DataFrame: filtraggio, ordinamento, aggregazione.
• Merge, join, concatenazione di DataFrame.
Lezione 8: Visualizzazione dei Dati
• Introduzione a Matplotlib e Seaborn.
• Creazione di grafici e visualizzazioni dei dati.
Lezione 9: Introduzione al Machine Learning con Python
• Panoramica del Machine Learning.
• Processo di apprendimento supervisionato e non supervisionato.
Lezione 10: Preprocessing dei Dati con Scikit-learn
• Gestione dei dati mancanti.
• Normalizzazione e standardizzazione dei dati.
Lezione 11: Data Mining e Esplorazione dei Dati
• Tecniche di data mining per la scoperta di pattern.
• Identificazione di outliers e pulizia dei dati.
Lezione 12: Clustering e Riduzione della Dimensionalità con Scikit-learn e Scipy
• K-Means, PCA (Principal Component Analysis).
• Uso di Scipy per metodi avanzati di clustering e analisi.
Lezione 13: Analisi Avanzata dei Dati e Visualizzazione
• Tecniche avanzate di visualizzazione dei dati.
• Esplorazione multidimensionale dei dati.
Lezione 14: Modelli di Regressione con Scikit-learn
• Regressione lineare e logistica.
• Valutazione dei modelli.
Lezione 15: Modelli di Classificazione con Scikit-learn
• K-Nearest Neighbors (KNN).
• Support Vector Machines (SVM), Decision Trees.
Lezione 16: Preparazione dei Dati per Machine Learning
• Tecniche di data preparation.
• Selezione delle caratteristiche e riduzione della dimensionalità.
Lezione 17: Sentiment Analysis e Data Mining
• Metodi di Sentiment Analysis.
• Applicazioni di data mining per l'analisi del sentiment.
Lezione 18: Topic Modeling e Classificazione del Testo
• Introduzione al Topic Modeling.
• Classificazione del testo con modelli ML.
Lezione 19: Applicazioni Pratiche di Machine Learning
• Caso studio: applicazioni reali di machine learning.
• Discussione su casi d'uso e best practices.
Lezione 20: Progetto Finale e Revisione
• Sviluppo di un progetto finale che incorpora tecniche di data mining, clustering e machine learning.
• Discussione dei progetti, feedback e revisione del corso.
________________________
Metodologia Didattica:
- Lezioni interattive con dimostrazioni pratiche.
- Esercizi pratici per consolidare le conoscenze.
- Utilizzo di quiz e test per la valutazione dell'apprendimento.
- Forum di discussione per il supporto tra pari e il chiarimento dei dubbi.
Materiale Fornito:
- Slide delle lezioni.
- Video tutorial.
- Guide e risorse online selezionate.
Valutazione:
- Teacher: Binatomy Team