I22: Python per Data Science e Machine Learning – 24 ore
REFERENZIAZIONE – QUADRO/STANDARD DI RIFERIMENTO
Atlante del lavoro e delle qualificazioni
DETTAGLIO ADA/ DETTAGLIO COMPETENZA E LIVELLO
Dettaglio Area di attività
SETTORE 14 Servizi digitali
PROCESSO – Sviluppo e gestione di prodotti e servizi digitali
SEQUENZA DI PROCESSO – Abilitazione, potenziamento e supporto in aziende ICT (Enable)
ADA.14.01.20 – Data Science and Analytics
ATTIVITÀ: Utilizzo di big data analytics platforms. Creazione di modelli, algoritmi, strumenti per la raccolta e l’analisi dei dati.
RISULTATI ATTESI RA2: Realizzazione di analisi avanzate di data set (anche di notevoli dimensioni e di big data), anche a partire dalla creazione di modelli, algoritmi e strumenti di raccolta e analisi dati, provvedendo, successivamente, a realizzare rapporti per supportare i processi decisionali.
Macro Argomenti / Moduli didattici
| Python da zero | Introduzione a Python e setup dell’ambiente Installazione di Python e di un IDE (Jupyter Notebook) Il tuo primo programma: “Hello World!” Fondamenti di Python Variabili e tipi di dati (int, float, string, boolean) Operatori aritmetici e logici Input e output di base Strutture di controllo: if, else, elif Strutture dati in Python Liste e operazioni sulle liste Tuple Dizionari Set Cicli e funzioni Cicli for e while Definizione e chiamata di funzioni Parametri e return values Moduli e librerie standard Importare e utilizzare moduli Panoramica delle librerie standard più utili (es. math, numpy, pandas) Risorse per continuare l’apprendimento Risorse online |
| Data Science e Machine Learning con Python | Introduzione alla Data Science e al Machine Learning Panoramica del campo e applicazioni nel mondo reale Ruolo di un Data Scientist Fondamenti di Python per Data Science Recap di Python Numpy e Pandas per la manipolazione dei dati Visualizzazione dei dati Matplotlib e Seaborn Creazione di grafici interattivi Preparazione e pulizia dei dati Gestione dei dati mancanti Feature engineering Normalizzazione e standardizzazione Machine Learning Supervisionato Regressione lineare e logistica Alberi decisionali e Random Forest Support Vector Machines Machine Learning Non Supervisionato Clustering (K-means, DBSCAN) Riduzione della dimensionalità (PCA) Introduzione al Deep Learning Reti neurali artificiali TensorFlow e Keras Analisi di un dataset reale Etica nell’AI e ML Risorse per l’approfondimento |