Data Science

500 ORE

Rome

Fase introduttiva

20 ORE di contenuti propedeutici agli argomenti del programma didattico (statistica, analisi di funzioni, informatica)

1

Corso di lingua straniera​

minimo 100 ORE (60 ore webinar + 40 in AUTOAPPRENDIMENTO) da effettuarsi in 3 mesi di lingua inglese Gofluent della durata di 3 mesi formula “all you can learn”.

Se già in possesso di un livello almeno pari a B2 di lingua inglese (autocertificato), è possibile in alternativa accedere ad una delle altre lingue disponibili: francese, spagnolo, tedesco, cinese (mandarino), portoghese (brasiliano), olandese, russo e italiano.

2

Fase teorica

50 ORE in presenza a Roma dal 6 al 11 Maggio 2024.

La fase di aula in full-immersion garantisce un apprendimento efficace in un breve intervallo temporale. Il programma didattico, affidato a professionisti del settore, verte sui contenuti necessari per lo svolgimento del ruolo professionale prescelto. Le lezioni in presenza sono intervallate da esercitazioni pratiche, site inspectiontest di apprendimento.

3

Fase pratica

30 ORE di Project Work

300 ORE di stage formativo (opzionale) presso le aziende partner

4

Divulgazione e placement​

  • Rielaborazione del curriculum vitae
  • Elaborazione del videocurriculum
  • Divulgazione del profilo professionale
  • Intermediazione al lavoro (in base alle richieste del mercato del lavoro per settore professionale)

5

Attestati rilasciati​

  • Attestato privato “Data Scientist” a firma del nostro istituto che gode della certificazione ISO 9001
  • Attestato privato di Project work
  • Attestato di stage, se prescelto

6

I partners del percorso formativo in Data Science
Il programma del percorso formativo in Data Science

Machine Learning

 

INTRODUZIONE

  • Applicazioni del Machine Learning
  • Apprendimento supervisionato e non supervisionato
  • Librerie Python per il Machine Learning

 

MODELLI DI REGRESSIONE

  • Regressione lineare
  • Regressione non lineare
  • Metodi di valutazione dei modelli

 

MODELLI DI CLASSIFICAZIONE

  • K-Nearest Neighbour
  • Decision Trees
  • Logistic Regression
  • Metodi di Ensemble
  • Metodi di valutazione dei modelli

 

MODELLI NON SUPERVISIONATI

  • K-Means Clustering
  • Hierarchical Clustering
  • Density-Based Clustering

 

APPLICAZIONI

  • Esempio di applicazione dei modelli di Machine Learning

 

Analisi statistica dei dati con Python

INTRODUZIONE

  • Introduzione ai fondamenti di Python
  • Setup dell’ambiente di lavoro in Python
  • Librerie Python per l’analisi e visualizzazione dei dati

 

STATISTICA DESCRITTIVA

  • Introduzione alla statistica
  • Tipi di dati
  • Indicatori statistici
  • Misure di dispersione

 

VISUALIZZAZIONE DEI DATI

  • Rappresentazioni statistiche dei dati

 

PROBABILITA’

  • Numeri casuali e distribuzioni di probabilità
  • Introduzione ai test di ipotesi
  • Distribuzione Normale

 

TEST DI IPOTESI

  • Z-test e t-test
  • Analisi delle code delle distribuzioni
  • Test di correlazione ANOVA

 

L’analisi visiva del dato e il corporate storytelling con Tableau

 

INTRODUZIONE

  • il trionfo della visual analytics
  • il Data Storytelling nelle aziende
  • esplorare i dati
  • condividere report, dashboard e visualizzazioni

 

CONNETTERSI AI DATI

  • connessione ad un file o un server
  • Tableau data source
  • join / union / cross-database join
  • data blending
  • preview dei dati
  • connessione live o extract
  • dimensioni e misure
  • tipi di dati

 

DATA BLENDING

  • data blending versus cross-database join
  • relazioni tra data source
  • utilizzare due o più data source in un worksheet

 

ANALIZZARE I DATI ATTRAVERSO LA VISUALIZZAZIONE

  • tabelle di testo (crosstab)
  • grafici a barre
  • grafici a linee ed area
  • treemap e grafici a bolle
  • mappe
  • grafici a torta
  • grafici a dispersione (scatterplot)
  • istogrammi & bins
  • visualizzazioni con totali, linee costanti e medie, cluster, viz in tooltip e highlighters
  • raggruppamenti di dimensioni (group)
  • assi discreti e continui
  • ordinamenti semplici
  • misure multiple nella stessa tabella, sullo stesso asse, su due assi (dual axis)

 

CREARE CAMPI CALCOLATI

  • calcoli a dettaglio di riga e aggregati
  • calcoli con funzioni temporali
  • funzioni logiche e KPIs
  • calcoli con parametri
  • quick table calculations

 

FILTRARE E NAVIGARE I DATI

  • filtri su dimensioni, misure e date
  • show filter
  • filtri gerarchici
  • filtri su SET
  • filtri globali alla data source
  • navigare i dati per pagine

 

DASHBOARD & STORY

  • combinare worksheet e altri oggetti in una dashboard
  • utilizzare filtri condivisi
  • creare interattività tramite actions
  • layout per dispositivi mobili (tablet/smartphone)
  • organizzare worksheet e dashboard in una story

 

SQL e ai Data Base Relazionali

  • Introduzione ai Database relazionali
  • Modello Entity Relationship
  • Caratteristiche del linguaggio SQL
  • Data Query Language (DQL) – istruzioni SQL
  • Clausole SQL (where condition, order by), OPERATORI, FUNZIONI
  • Join, Aggregazioni dati, Subqueries, Manipolazione Dati
  • Data Manipulation Language (DML) – Istruzioni Insert, Update, Delete
I docenti del percorso formativo in Data Science

Kalyte – Big Data Solutions

Il corso di formazione in Data Science è realizzato in collaborazione con Kalyte. Si tratta di una realtà che supporta le aziende e le organizzazioni nella raccolta, gestione ed analisi di ingenti quantità di dati in tempo reale, fornendo l’asset di business più cruciale nell’epoca della digital transformation. La loro offering ruota intorno ai Big Data e alla governance del processo di messa a disposizione dei dati agli utenti. La riduzione del tempo in cui il dato possa essere fruito dagli utenti è per Kalyte un fattore critico di successo, e il real-time data utilization una sfida da vincere, oltre che un grande valore aggiunto. Abbiamo scelto di affidare a Kalyte lo svolgimento dei moduli didattici più importanti del percorso formativo al fine di garantire competenze specifiche e pratiche da parte di professionisti del settore.

Requirements

  • laurea, anche breve, preferibilmente in materie scientifiche
  • maturità scientifica
  • esperienza nel settore

La valutazione del profilo per l’accesso al corso è rimessa al consulente di orientamento professionale basata su esperienze, competenze linguistiche e ogni altro requisito che possa ritenersi a tal fine valido.

 

La figura professionale

Un data scientist o “scienziato dei dati” è un professionista specializzato nella elaborazione di strategie per analizzare grandi quantità di dati da cui è possibile ricavare informazioni nascoste sulle quali basare decisioni tattiche aziendali.
In particolare, le sue competenze spaziano dalla preparazione dei dati per l’analisi, alla necessaria visualizzazione e creazione di modelli, utilizzando i linguaggi di programmazione, tra cui Python, verso l’implementazione  costante degli stessi.
La figura nasce dallo sviluppo tecnologico e relativo impiego all’interno di vari ambiti professionali e internet che rappresenta un ampio bacino per recuperare in maniera istantanea dati importanti anche se non strutturati, ma piuttosto crearne trend.

Numero massimo partecipanti

20

Career opportunities

  • banche e compagnie assicurative
  • GDO
  • provider di servizi telefonici
  • imprese di servizi
  • ogni altra impresa che opera sul web o orientata alla data science per elaborare strategie di business

Data Science

500 ORE

Rome

Data Science

La figura professionale

Un data scientist o “scienziato dei dati” è un professionista specializzato nella elaborazione di strategie per analizzare grandi quantità di dati da cui è possibile ricavare informazioni nascoste sulle quali basare decisioni tattiche aziendali.
In particolare, le sue competenze spaziano dalla preparazione dei dati per l’analisi, alla necessaria visualizzazione e creazione di modelli, utilizzando i linguaggi di programmazione, tra cui Python, verso l’implementazione  costante degli stessi.
La figura nasce dallo sviluppo tecnologico e relativo impiego all’interno di vari ambiti professionali e internet che rappresenta un ampio bacino per recuperare in maniera istantanea dati importanti anche se non strutturati, ma piuttosto crearne trend.

Data Science

Il progetto formativo

Fase introduttiva

20 ORE di contenuti propedeutici agli argomenti del programma didattico (statistica, analisi di funzioni, informatica)

Corso di lingua straniera

minimo 100 ORE (60 ore webinar + 40 in AUTOAPPRENDIMENTO) da effettuarsi in 3 mesi di lingua inglese Gofluent della durata di 3 mesi formula “all you can learn”.

Se già in possesso di un livello almeno pari a B2 di lingua inglese (autocertificato), è possibile in alternativa accedere ad una delle altre lingue disponibili: francese, spagnolo, tedesco, cinese (mandarino), portoghese (brasiliano), olandese, russo e italiano.

Fase teorica

50 ORE in presenza a Roma dal 6 al 11 Maggio 2024.

La fase di aula in full-immersion garantisce un apprendimento efficace in un breve intervallo temporale. Il programma didattico, affidato a professionisti del settore, verte sui contenuti necessari per lo svolgimento del ruolo professionale prescelto. Le lezioni in presenza sono intervallate da esercitazioni pratiche, site inspectiontest di apprendimento.

Data Science

Il progetto formativo

Fase pratica

30 ORE di Project Work

300 ORE di stage formativo (opzionale) presso le aziende partner

Divulgazione e placement

  • Rielaborazione del curriculum vitae
  • Elaborazione del videocurriculum
  • Divulgazione del profilo professionale
  • Intermediazione al lavoro (in base alle richieste del mercato del lavoro per settore professionale)

Certificates issued

  • Attestato privato “Data Scientist” a firma del nostro istituto che gode della certificazione ISO 9001
  • Attestato privato di Project work
  • Attestato di stage, se prescelto

Data Science

Il programma didattico

Machine Learning

 

INTRODUZIONE

  • Applicazioni del Machine Learning
  • Apprendimento supervisionato e non supervisionato
  • Librerie Python per il Machine Learning

 

MODELLI DI REGRESSIONE

  • Regressione lineare
  • Regressione non lineare
  • Metodi di valutazione dei modelli

 

MODELLI DI CLASSIFICAZIONE

  • K-Nearest Neighbour
  • Decision Trees
  • Logistic Regression
  • Metodi di Ensemble
  • Metodi di valutazione dei modelli

 

MODELLI NON SUPERVISIONATI

  • K-Means Clustering
  • Hierarchical Clustering
  • Density-Based Clustering

 

APPLICAZIONI

  • Esempio di applicazione dei modelli di Machine Learning

 

Analisi statistica dei dati con Python

INTRODUZIONE

  • Introduzione ai fondamenti di Python
  • Setup dell’ambiente di lavoro in Python
  • Librerie Python per l’analisi e visualizzazione dei dati

 

STATISTICA DESCRITTIVA

  • Introduzione alla statistica
  • Tipi di dati
  • Indicatori statistici
  • Misure di dispersione

 

VISUALIZZAZIONE DEI DATI

  • Rappresentazioni statistiche dei dati

 

PROBABILITA’

  • Numeri casuali e distribuzioni di probabilità
  • Introduzione ai test di ipotesi
  • Distribuzione Normale

 

TEST DI IPOTESI

  • Z-test e t-test
  • Analisi delle code delle distribuzioni
  • Test di correlazione ANOVA

 

L’analisi visiva del dato e il corporate storytelling con Tableau

 

INTRODUZIONE

  • il trionfo della visual analytics
  • il Data Storytelling nelle aziende
  • esplorare i dati
  • condividere report, dashboard e visualizzazioni

 

CONNETTERSI AI DATI

  • connessione ad un file o un server
  • Tableau data source
  • join / union / cross-database join
  • data blending
  • preview dei dati
  • connessione live o extract
  • dimensioni e misure
  • tipi di dati

 

DATA BLENDING

  • data blending versus cross-database join
  • relazioni tra data source
  • utilizzare due o più data source in un worksheet

 

ANALIZZARE I DATI ATTRAVERSO LA VISUALIZZAZIONE

  • tabelle di testo (crosstab)
  • grafici a barre
  • grafici a linee ed area
  • treemap e grafici a bolle
  • mappe
  • grafici a torta
  • grafici a dispersione (scatterplot)
  • istogrammi & bins
  • visualizzazioni con totali, linee costanti e medie, cluster, viz in tooltip e highlighters
  • raggruppamenti di dimensioni (group)
  • assi discreti e continui
  • ordinamenti semplici
  • misure multiple nella stessa tabella, sullo stesso asse, su due assi (dual axis)

 

CREARE CAMPI CALCOLATI

  • calcoli a dettaglio di riga e aggregati
  • calcoli con funzioni temporali
  • funzioni logiche e KPIs
  • calcoli con parametri
  • quick table calculations

 

FILTRARE E NAVIGARE I DATI

  • filtri su dimensioni, misure e date
  • show filter
  • filtri gerarchici
  • filtri su SET
  • filtri globali alla data source
  • navigare i dati per pagine

 

DASHBOARD & STORY

  • combinare worksheet e altri oggetti in una dashboard
  • utilizzare filtri condivisi
  • creare interattività tramite actions
  • layout per dispositivi mobili (tablet/smartphone)
  • organizzare worksheet e dashboard in una story

 

SQL e ai Data Base Relazionali

  • Introduzione ai Database relazionali
  • Modello Entity Relationship
  • Caratteristiche del linguaggio SQL
  • Data Query Language (DQL) – istruzioni SQL
  • Clausole SQL (where condition, order by), OPERATORI, FUNZIONI
  • Join, Aggregazioni dati, Subqueries, Manipolazione Dati
  • Data Manipulation Language (DML) – Istruzioni Insert, Update, Delete

Su Facebook

Su Instagram

en_GBEnglish
Apri chat
💬 Serve aiuto?
Ciao 👋
Come possiamo aiutarti?