Percorso professionalizzante Diventa Data Scientist


In sintesi

Il percorso ha l’obiettivo di trasferire strumenti e soluzioni pratico-operative attraverso casi di studio, team-working e momenti di hands-on. I moduli sono autoconsistenti ma solo chi frequenta dell’intero percorso può sostenere il test finale di attestazione delle conoscenze acquisite. Per la partecipazione al percorso “Diventa Data Scientist” è richiesta esperienza di programmazione in un qualsiasi linguaggio; per chi non ha conoscenze è richiesta la partecipazione al Percorso Python.

Data
Dal 2 novembre 2022
Sede

Aula virtuale, attraverso piattaforma dedicata, con possibilità di interazione real time con i docenti

Anno
2022
Richiedi informazioni

Modulo 1
Gestione e visualizzazione dei dati
02/11/2022
04/11/2022
Modulo 2
Tecniche di machine learning per l’analisi dei dati
16/11/2022
18/11/2022
Modulo 3
Tecniche di deep learning per l’analisi dei dati
23/11/2022
25/11/2022
Modulo di approfondimento
Tecniche di text processing per l’analisi dei dati
30/11/2022
02/12/2022
Modulo di approfondimento
Reinforcement learning, computer vision e soluzioni etiche
12/12/2022
13/12/2022
*Prezzo associato ABI

Modulo 1 - Gestione e visualizzazione dei dati 

Il modulo richiama il linguaggio Python e fornisce conoscenze avanzate delle più importanti librerie per data science sui principali tipi di dato, come numpy, pandas, NLTK, textblob, matplotlib, seaborn e plotly. L’analisi sarà condotta tramite esempi per acquisire una padronanza nello sviluppo e nella risoluzione di problemi complessi. Alcuni dataset pubblici rilevanti in ambito bancario saranno usati per le esercitazioni e gli hand-on guidati dai docenti.

  • Concetti avanzati per la gestione dei dati in python
  • Data modeling and understanding: libreria numpy
  • Data management, processing and cleaning: libreria pandas
  • Data visualization: librerie matplotlib, seaborn, plotly

Modulo 2 - Tecniche di machine learning per l’analisi dei dati

Introduce il machine learning sui tre problemi principali: clustering, classificazione e regressione. Le tematiche sono presentate inizialmente a livello teorico e successivamente si introducono le tecnologie (basate su Python) che implementano tali soluzioni. La parte pratica consiste in esercizi e hands-on su dati relativi ad alcuni use case rilevanti in ambito bancario.

  • Introduzione al Machine Learning
  • Metodi non Supervisionati: Clustering
  • Metodi Supervisionati: Classificazione
  • Metodi supervisionati: regressione

Modulo 3 - Tecniche di deep learning per l’analisi dei dati

Le tecniche di deep learning sui due problemi principali: classificazione e regressione. Le due tematiche sono introdotte a livello teorico e successivamente si introducono le tecnologie (basate su Python) che implementano le soluzioni. La parte pratica consiste in esercizi e hands-on su dati relativi agli use case rilevanti in ambito bancario.

  • Introduzione al deep learning
  • Deep Learning per classificazione
  • Deep Learning per regressione
  • Deep Learning per Dati Complessi
  • Valutazione e Best Practices

Tecniche di text processing per l’analisi dei dati

Le tecniche di text processing sui tre problemi principali: opinion mining, sentiment analysis, labeling automatico e categorizzazione di testo. Le tre tematiche sono prima inquadrate a livello teorico e, successivamente, ne viene presentata la risoluzione con l’introduzione delle tecnologie che ne implementano le soluzioni. La parte pratica consiste in esercizi ed hands-on su dati relativi agli use case rilevanti in ambito bancario.

  • Text Processing in Python
  • Opinion Mining e Sentiment Analysis
  • Labeling automatico e categorizzazione di testo

Reinforcement learning,  computer vision  e  soluzionietiche

Un focus sulle tematiche di frontiera su cui sarà impegnato il settore bancario nel prossimo futuro: dal deep learning al reinforcement learning con una carrellata di applicazioni per la banca, le tecniche di computer visioning, le criticità relative alla gestione degli aspetti etici di intelligenza artificiale e machine learning. Il modulo ha un forte taglio esperienziale 

  • Reinforcement learning
  • Computer vision
  • Etica di soluzioni ML/AI
  • Modelling best practices

Elisa Isacco
e.isacco@abiservizi.it
06.6767.517