Introduzione all'analisi dei dati
Il Processo di analisi e le tipologie di analisi
Capire i dati: concetti generali, formati di rappresentazione e tipi di dati.
Analisi esplorativa dei dati: concetti e sessioni pratiche con Excel
Regressione lineare e logistica: concetti e applicazioni pratiche con KNIME
Algoritmi di Clustering e applicazioni pratiche con KNIME
Machine Learning: concetti e applicazioni pratiche con KNIME
Generative AI: concetti, applicazioni e sessioni pratiche

1. Il Processo di Analisi dei Dati e Tipologie di Analisi
L’analisi dei dati è un processo strutturato che consente di estrarre informazioni utili da dataset complessi. In questa sezione verranno illustrati i passaggi fondamentali del processo di analisi, dalla raccolta e pulizia dei dati fino alla loro interpretazione e presentazione. Si esploreranno inoltre le diverse tipologie di analisi, tra cui analisi descrittiva, diagnostica, predittiva e prescrittiva, per comprendere quale approccio adottare in base al contesto e agli obiettivi.

2. Comprendere i Dati: Concetti Generali, Formati di Rappresentazione e Tipologie di Dati
Un aspetto cruciale dell’analisi è la comprensione della natura dei dati. Questa sezione introdurrà i concetti fondamentali legati alla raccolta e gestione dei dati, approfondendo le principali categorie di dati (numerici, categoriali, ordinali, temporali, ecc.) e i diversi formati di rappresentazione, come file CSV, JSON, database relazionali e non relazionali. Si discuterà anche l'importanza della qualità del dato e delle strategie per affrontare dati mancanti o incoerenti.

3. Analisi Esplorativa dei Dati: Concetti e Applicazioni Pratiche con Excel
L’analisi esplorativa (EDA - Exploratory Data Analysis) è il primo passo per comprendere la struttura e le caratteristiche di un dataset. Attraverso l’uso di Excel, si imparerà a eseguire operazioni di base come la visualizzazione dei dati, il calcolo di statistiche descrittive, la creazione di grafici e l’identificazione di anomalie o pattern nascosti. Verranno trattate anche tecniche di aggregazione e filtraggio per facilitare l’interpretazione dei dati.

4. Regressione Lineare e Logistica: Concetti e Applicazioni Pratiche con KNIME
Questa sezione introduce i concetti di regressione, uno degli strumenti più utilizzati nell’analisi predittiva. Verranno spiegati i principi della regressione lineare e della regressione logistica, illustrando come questi modelli possono essere applicati a scenari reali. Tramite il software KNIME, si lavorerà su dataset concreti per implementare modelli predittivi, valutarne le prestazioni e interpretarne i risultati.

5. Algoritmi di Clustering e Applicazioni Pratiche con KNIME
Il clustering è una tecnica di apprendimento non supervisionato che consente di raggruppare dati simili tra loro. In questa parte del corso, si esploreranno i principali algoritmi di clustering, come K-Means e DBSCAN, analizzando i loro principi di funzionamento e le situazioni in cui risultano più efficaci. Attraverso esercitazioni pratiche con KNIME, si applicheranno queste tecniche per individuare segmentazioni nei dati e scoprire pattern nascosti.

6. Machine Learning: Concetti e Applicazioni Pratiche con KNIME
L’apprendimento automatico (Machine Learning) è una disciplina chiave nell’analisi avanzata dei dati. Questa sezione fornirà una panoramica sui principali modelli di Machine Learning, tra cui algoritmi supervisionati e non supervisionati, metodi di ottimizzazione e valutazione delle prestazioni. Con KNIME, si implementeranno modelli di classificazione e regressione, affrontando problemi pratici e migliorando la capacità di prendere decisioni basate sui dati.

7. Intelligenza Artificiale Generativa: Concetti, Applicazioni e Sessioni Pratiche
L’intelligenza artificiale generativa rappresenta una delle evoluzioni più recenti e potenti del Machine Learning. In questa parte del corso verranno approfonditi i concetti di base dell’AI generativa, con particolare attenzione a modelli come le reti neurali generative (GAN) e i transformer. Verranno inoltre presentate applicazioni pratiche di Generative AI, mostrando come questi modelli possano essere utilizzati per la creazione di immagini, testi e altri contenuti. Attraverso sessioni pratiche, i partecipanti potranno sperimentare strumenti di AI generativa e comprenderne i potenziali utilizzi nei diversi ambiti.