Sviluppa le capacità di convertire i dati in informazioni da cui estrarre conoscenze e applicali in modo critico nel tuo reparto”

Questo Esperto universitario mira a fornire agli ingegneri informatici le conoscenze necessarie a impiegare gli strumenti e i fondamenti della scienza dei dati per risolvere casi pratici. Grazie a questo programma sarà possibile analizzare i dati, visualizzarne i set, trarre conclusioni sul processo preliminare che precede la modellazione e stabilire la sua influenza sui risultati.

Nel corso del programma, l'attenzione sarà posta sulle migliori modalità di data mining per fornire conoscenze specialistiche sulle statistiche e sulle procedure di inferenza. I moduli di questo programma offrono una prospettiva teorica e pratica per esaminare le tecniche di pulizia dei dati più avanzate, nonché la trasformazione, la riduzione della dimensionalità e la selezione di caratteristiche e istanze.

Come complemento, si propone un modulo dedicato a promuovere la conoscenza delle diverse tecniche di machine learning e degli algoritmi utilizzati, a seconda del tipo di mining che si desidera implementare. Uno degli aspetti più interessanti di questo programma è che presenta la teoria delle reti neurali e la loro evoluzione nel corso della storia in modo didattico e pratico.

Il tutto grazie a un programma 100% online che gli permette di studiare comodamente, dove e quando vuole. Avrà solo bisogno di un dispositivo con accesso a internet per dare una svolta alla sua carriera. Una modalità in linea con i tempi attuali e che offre ampie garanzie di inserimento per il professionista in un settore molto richiesto. 

Realizza procedure efficaci ed efficienti per il trattamento dei dati in base al tipo di problema proposto” 

Questo ##ESTUDIO## in Tecniche, Algoritmi e Strumenti di Data Science possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono: 

• Sviluppo di casi di studio presentati da esperti in Ingegneria di Data Science
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione 
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento 
• Speciale enfasi sulle metodologie innovative  
• Lezioni teoriche, domande all'esperto e/o al tutor, forum di discussione su questioni controverse e compiti di riflessione individuale 
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet

Determina le caratteristiche principali di un Dataset, la sua struttura, i suoi componenti e le implicazioni della sua distribuzione nella modellistica” 

Il personale docente del programma comprende rinomati professionisti del settore, nonché riconosciuti specialisti appartenenti a società scientifiche e università prestigiose, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama. 

Dimostra la tua capacità di interpretare la visualizzazione dei dati per un'analisi descrittiva grazie a un programma che presenta casi pratici per favorire l’apprendimento" 

Esamina le metriche e i punteggi per quantificare la qualità dei modelli, diventando un ingegnere informatico dotato di pensiero critico"

Il programma di questo Esperto universitario è stato progettato per trattare una serie di conoscenze indispensabili per la crescita professionale degli ingegneri informatici. Il professionista potrà quindi sviluppare un pensiero critico nell’applicazione delle diverse strategie, essendo in grado di determinarne vantaggi e svantaggi. 

Trasforma i dati in informazioni, creando valore aggiunto e generando nuove conoscenze" 

Modulo 1. Strumenti di Data Science

1.1. Data Science

1.1.1. Data Science
1.1.2. Strumenti avanzati per i data scientist  

1.2. Dati, informazioni e conoscenze

1.2.1. Dati, informazioni e conoscenze 
1.2.2. Tipi di dati
1.2.3. Fonti di dati

1.3. Dai dati all’informazione 

1.3.1. Analisi dei dati
1.3.2. Tipi di analisi
1.3.3. Estrazione di informazioni da un Dataset 

1.4. Estrazione di informazioni tramite visualizzazione

1.4.1. La visualizzazione come strumento di analisi
1.4.2. Metodi di visualizzazione 
1.4.3. Visualizzazione di un insieme di dati

1.5. Qualità dei dati

1.5.1. Dati di qualità
1.5.2. Pulizia di dati 
1.5.3. Pre-elaborazione base dei dati

1.6. Dataset

1.6.1. Arricchimento del Dataset
1.6.2. La maledizione della dimensionalità
1.6.3. Modifica di un insieme di dati

1.7. Squilibrio 

1.7.1. Squilibrio di classe
1.7.2. Tecniche di mitigazione dello squilibrio
1.7.3. Equilibrio di un Dataset

1.8. Modelli non supervisionati 

1.8.1. Modelli non controllati
1.8.2. Metodi
1.8.3. Classificazione con modelli non controllati

1.9. Modelli supervisionati

1.9.1. Modelli controllati
1.9.2. Metodi
1.9.3. Classificazione con modelli controllati

1.10. Strumenti e buone pratiche

1.10.1. Buone pratiche per i data scientist
1.10.2. Il modello migliore 
1.10.3. Strumenti utili

Modulo 2. Data Mining Selezione, pre-elaborazione e trasformazione     

2.1. Inferenza statistica

2.1.1. Statistica descrittiva vs Inferenza statistica
2.1.2. Procedure parametriche
2.1.3. Procedure non parametriche

2.2. Analisi esplorativa

2.2.1. Analisi descrittiva 
2.2.2. Visualizzazione
2.2.3. Preparazione dati

2.3. Preparazione dati

2.3.1. Integrazione e pulizia di dati 
2.3.2. Normalizzazione dei dati
2.3.3. Trasformazione degli attributi 

2.4. I valori mancanti

2.4.1. Trattamenti dei valori mancanti
2.4.2. Metodi di imputazione a massima verosimiglianza
2.4.3. Imputazione di valori mancanti mediante apprendimento automatico

2.5. Rumore nei dati 

2.5.1. Classi di rumore e attributi
2.5.2. Filtraggio del rumore 
2.5.3. Effetto del rumore

2.6. La maledizione della dimensionalità

2.6.1. Oversampling
2.6.2. Undersampling
2.6.3. Riduzione dei dati multidimensionali

2.7. Da attributi continui a discreti

2.7.1. Dati continui vs discreti
2.7.2. Processo di discretizzazione

2.8. I dati 

2.8.1. Selezione dei dati 
2.8.2. Prospettiva e criteri di selezione
2.8.3. Metodi di selezione 

2.9. Selezione di istanze

2.9.1. Metodi per la selezione di istanze
2.9.2. Selezione di prototipi
2.9.3. Metodi avanzati per la selezione di istanze

2.10. Pre-elaborazione dei dati negli ambienti Big Data

2.10.1. Big Data
2.10.2. Pre-elaborazione "classica" vs massiva
2.10.3. Smart Data    

Modulo 3. Progettazione e sviluppo di sistemi intelligenti        

3.1. Pre-elaborazione dei dati  

3.1.1. Pre-elaborazione dei dati
3.1.2. Trasformazione dei dati 
3.1.3. Estrazione di dati

3.2. Apprendimento automatico

3.2.1. Apprendimento supervisionato e non
3.2.2. Apprendimento di rinforzo
3.2.3. Altri paradigmi di apprendimento

3.3. Algoritmi di classificazione

3.3.1. Apprendimento automatico indotto
3.3.2. SVM e KNN
3.3.3. Metriche e punteggi per la classificazione

3.4. Algoritmi di regressione 

3.4.1. Regressione lineare, regressione logistica e modelli non lineari 
3.4.2. Serie temporali 
3.4.3. Metriche e punteggi per la regressione 

3.5. Algoritmi di clustering 

3.5.1. Tecniche di clustering gerarchico 
3.5.2. Tecniche di clustering partizionale 
3.5.3. Metriche e punteggi per il clustering 

3.6. Tecniche di regole associative 

3.6.1. Metodi per l’estrazione di regole 
3.6.2. Metriche e punteggi per gli algoritmi di regole associative 

3.7. Tecniche di classificazione avanzata: Multi classificatori 

3.7.1. Algoritmi di bagging 
3.7.2. Classificatore “Random Forests” 
3.7.3. “Boosting” per alberi decisionali 

3.8. Modelli grafici probabilistici 

3.8.1. Modelli probabilistici 
3.8.2. Reti bayesiane: Proprietà, rappresentazione e parametrizzazione  
3.8.3. Altri modelli grafici probabilistici 

3.9. Reti neuronali 

3.9.1. Apprendimento automatico con reti neuronali artificiali 
3.9.2. Reti feed forward 

3.10. Apprendimento profondo 

3.10.1. Reti feed forward profonde 
3.10.2. Reti neurali convoluzionali e modelli di sequenza 
3.10.3. Strumenti per l'implementazione di reti neurali profonde

Cogli l'opportunità di conoscere gli ultimi progressi in questo ambito e applicali al tuo lavoro quotidiano"