Data Science e Machine Learning

Estrarre conoscenza dalle informazioni attraverso l’analisi dei dati: quella del data scientist è stata definita la professione più attraente del XXI secolo. Analizzare le relazioni tra i dati, scoprire nuove informazioni e, con l'aiuto del machine learning, sfruttare l’enorme potenziale che vi si nasconde costruendo modelli previsionali.

In questo libro illustriamo le tecniche di analisi dei dati e di costruzione di algoritmi di Machine Learning e Deep Learning, passando dalle conoscenze teoriche alle applicazioni con il software statistico R, tramite ampi esempi pratici.



Cosa imparerai

- Matematica e algebra per il machine learning

- Utilizzo del software statistico R e R-Studio

- Statistica descrittiva e inferenziale per la data science

- Calcolo delle probabilità

- La preparazione dei dati e la feature engineering

- Progettare e validare gli algoritmi di machine learning

- Algoritmi di regressione, classificazione e clustering

- Fare previsioni basate su serie temporali

- I modelli di reti neurali e deep learning

- Raccontare i dati: data visualization & data storytelling



A chi è rivolto questo libro

Questo libro è rivolto a chiunque voglia imparare a manipolare ed analizzare i dati traendo da questi nuova conoscenza. Se sei un manager IT o un analista che vuole entrare nel mondo della Data Science e dei Big Data, se sei uno sviluppatore che vuole conoscere le nuove tendenze nel campo dell’Intelligenza Artificiale o sei semplicemente curioso di conoscere questo mondo, allora questo libro è per te.



Contenuti

- La data science e i modelli di analisi

- La gestione dei big data

- Analisi univariata e multivariata, probabilità e test d’ipotesi

- Esplorare e visualizzare i dati

- Preparazione e pulizia dei dati

- Apprendimento supervisionato: classificazione e regressione

- Apprendimento non supervisionato: clustering e riduzione dimensionale

- Apprendimento semi supervisionato

- Algoritmi di associazione e analisi delle serie temporali

- Misure di validazione ed ottimizzazione degli algoritmi

- Le reti neurali e il Deep Learning

- Reti Convoluzionali per il riconoscimento di immagini

- Reti Ricorrenti e LSMT per le sequenze

- Encoders per la feature selection

- Algoritmi generativi