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

Dettagli