Data Science
- Description
- Curriculum
- Reviews
CORSO DI DATA SCIENCE
STATISTICA, MACHINE LEARNING, DEEP LEARNING E PYTHON
Introduzione
Introduzione sugli insiemi
Calcolo combinatorio
Probabilità
-
12
Introduzione alle probabilità -
13
Gli eventi
-
14
La probabilità di un evento
-
15
Differenti approcci alla definizione di probabilità
-
16
Osservazioni sugli eventi e spazio di prova
-
17
Definizione classica di probabilità
-
18
Definizione statistica di probabilità
-
19
Il valore atteso
-
20
La distribuzione di frequenza
-
21
Eventi ed i loro complementi
-
22
Eventi dipendenti e indipendenti
-
23
Legge della probabilità totale
-
24
La regola della somma e la regola del prodotto
-
25
Teoria di Bayes
Definizione assiomatica della probabilità
Distribuzione di probabilità
-
28
Introduzione
-
29
Distribuzioni di probabilità per variabili discrete
-
30
Distribuzione uniforme discreta
-
31
Distribuzione di Bernoulli e distribuzione binomiale
-
32
La distribuzione di Poisson
-
33
La distribuzione di probabilità per variabili casuali e continue
-
34
Distribuzioni normali
-
35
Distribuzioni normali standardizzate
-
36
Standardizzazione
-
37
Distribuzioni T Student
-
38
Distribuzione del Chi-quadro
-
39
Distribuzione esponenziale
-
40
Distribuzione logistica
Introduzione alla statistica
Statistica Descrittiva
-
43
Introduzione
-
44
Tipi di variabile
-
45
Livelli di misurazione
-
46
Rappresentazione grafica di variabili categoriche
-
47
Rappresentazione grafica di variabili numeriche: distribuzioni di frequenze
-
48
Istogrammi
-
49
Tabelle a doppia entrata
-
50
Diagramma di doppia dispersione
-
51
Media, mediana e moda
-
52
Varianza e scarto quadratico medio
-
53
Covarianza e correlazione
Statistica Inferenziale
Verifica dell'ipotesi
Machine Learning
-
66
Introduzione al machine learning
-
67
Fondamenti di machine learning
-
68
Problematiche del machine learning
-
69
Tipi di modelli supervisionati
-
70
Tipi di modelli non supervisionati
-
71
Basi matematiche delle reti neurali
-
72
Manipolazione dei tensori in Numpy
-
73
Il concetto dei data batch
-
74
Dati vettoriali
-
75
Dati di serie temporali o dati sequenziali
-
76
Dati di immagini
-
77
Dati di video
-
78
Operazioni sui tensori, ed operazioni element-wise
-
79
Broadcasting
-
80
L'operazione dot per i tensori
-
81
Interpretazioni geometriche
-
82
L'ottimizzazione basata sul gradiente
-
83
Derivate
-
84
Discesa stocastica del gradiente
-
85
L'algoritmo di retropagazione
Reti neurali
-
86
Reshaping dei tensori
-
87
Anatomia della rete
-
88
I layer
-
89
Modelli: reti di layer
-
90
Funzioni obiettivo ed ottimizzatori
-
91
Introduzione a keras
-
92
Panoramica di keras
-
93
Configurazione di una workstation per il deep-learning: Notebook Jupiter
-
94
Svolgere compiti di deep learning nel cloud: pro e contro
Deep learning
Moduli Python per la data science
Dimostrazioni
-
103
ANN (Artificial Neural Network) - regression model
-
104
Le-Net deep network - traffic sign classification (convolutional model)
-
105
Natural Language Processing (email spam filter) with Naive Bayes Classifier
-
106
FB prophet project
-
107
Prophet Time Series (addittive regression)
-
108
User based collaborative filter, movie recommender system
Fonti e risorse
Please, login to leave a review
Recent Comments