Il programma, prima della promessa.
Machine Learning Starter Kit raccoglie 20 sezioni, tra cui Introduzione e Python per la Data Science. La proposta può interessare a chi cerca questi argomenti in un percorso organizzato. Per scegliere, confronta la sequenza delle lezioni con il tuo obiettivo e valuta il tempo disponibile insieme alle condizioni di accesso.
A chi si rivolge
- Chi sta valutando Machine Learning Starter Kit e vuole confrontare gli argomenti del programma con le proprie esigenze.
- Chi cerca un percorso di Data Masters e vuole verificare struttura e condizioni di accesso prima di scegliere.
Cosa puoi imparare
- Tra gli argomenti del percorso: «Survey pre-corsoQUIZ».
- Tra gli argomenti del percorso: «Introduzione a Python - 5 -52».
- Tra gli argomenti del percorso: «Installazione di Python - 7 -28».
- Tra gli argomenti del percorso: «Installazione di python e configurazione dei virtualenv su Mac OS».
Come è strutturato il programma
Il programma è suddiviso in 20 sezioni. Tra i titoli presenti: Introduzione; Python per la Data Science; Probabilità e Statistica / Teoria degli Insiemi; Probabilità e Statistica / Calcolo Combinatorio. Il catalogo elenca 184 contenuti, di cui 181 con video e 183 con materiale testuale associato. I due conteggi possono sovrapporsi: il materiale testuale può accompagnare una lezione video e non rappresenta necessariamente una risorsa aggiuntiva distinta.
Introduzione1 contenuto
- Survey pre-corsoQUIZ
Python per la Data Science39 contenuti
- Introduzione a Python - 5 -52
- Installazione di Python - 7 -28
- Installazione di python e configurazione dei virtualenv su Mac OS
- Gestione dei Site Packages con Pip e Virtualenv - 23 -15
- Espressioni e Variabili - 19 -26
- Controlli di Flusso - booleani e if-else - 16 -44
- Loop - Cicli For - 11 -05
- Loop - Cicli While - 6 -24
- Strutture Dati - Liste - 9 -52
- Strutture Dati - Tuple - 12 -17
- Strutture Dati - Dictionary - 7 -08
- Strutture Dati - Set - 8 -17
- Rappresentazione dei Dati - Charset ed Encoding - 19 -50
- Stringhe, Encoding e Decoding - 21 -37
- Rappresentazione dei Dati - lo standard IEEE 754 e i numeri reali - 11 -08
- Aritmetica Floating Point in Python - 16 -50
- Funzioni - 20 -49
- Gestione dei File - 24 -21
- Mutability in Python - 25 -14
- List Comprehension in Python - 23 -04
- Altri 19 contenuti: consulta il programma completo su Guruflix.
Probabilità e Statistica / Teoria degli Insiemi16 contenuti
- Introduzione - 1 -45
- Rappresentazione elenco - 2 -45
- Rappresentazione proprietà - 3 -05
- Diagrammi Eulero Venn - 4 -12
- Terminologia, notazioni e proprietà importanti - 6 -41
- Sottoinsiemi - Introduzione - 6 -33
- Sottoinsiemi - Esempi - 5 -17
- Sottoinsiemi - Insiemi universo - 4 -54
- Operazioni tra insiemi - 1 -22
- Unione - 5 -25
- Intersezione - 4 -02
- Differenza Insiemistica - 6 -48
- Differenza Simmetrica - 7 -04
- Insieme complementare - 3 -35
- Partizioni - 4 -09
- Insieme delle parti - 4 -10
Probabilità e Statistica / Calcolo Combinatorio13 contenuti
- Introduzione - 1 -28
- Fattoriale - Introduzione - 2 -59
- Fattoriale - Esempi - 5 -10
- Coefficiente Binomiale - Introduzione - 10 -12
- Coefficiente Binomiale - Esempi - 9 -22
- Permutazioni - Introduzione - 2 -21
- Permutazioni Semplici - Introduzione - 4 -25
- Permutazioni Semplici - Esempi - 4 -38
- Permutazioni con Ripetizione - Introduzione - 7 -19
- Permutazioni con Ripetizione - Caso particolare - 1 -59
- Permutazioni con Ripetizione - Esempi - 13 -22
- Permutazioni Circolari - Introduzione - 4 -36
- Permutazioni Circolari - Formula - 9 -03
Probabilità e Statistica / Teoria delle Probabilità13 contenuti
- Introduzione - 4 -12
- Spazi Campionari - Introduzione - 5 -24
- Spazi Campionari - Esempi - 4 -14
- Eventi - Introduzione - 6 -06
- Eventi - Tre casi principali - 7 -21
- Operazioni tra Eventi - Introduzione - 6 -56
- Operazioni tra Eventi - Esempi - 4 -28
- Eventi Compatibili Incompatibili e Complementari - 9 -31
- Formulazione Classica di probabilita - 5 -44
- Formulazione Assiomatica di probabilita - 11 -16
- Probabilità Totale - 14 -49
- Probabilità Condizionata - 9 -34
- Probabilità Composta - 3 -51
Probabilità e Statistica / Elementi di Statistica13 contenuti
- Introduzione - 3 -14
- Tipologie di Caratteri - 4 -25
- Media - Intro - 1 -57
- Media Artimetica Semplice - 6 -49
- Media Aritmetica Ponderata - 9 -10
- Media Aritmetica - Caso Particolare - 2 -25
- Media Geometrica Semplice - 4 -56
- Media Geometrica Ponderata - 8 -18
- Media Geometrica - Caso Particolare - 4 -47
- Mediana - 7 -35
- Moda - 9 -22
- Deviazione Standard pt.1 - 13 -16
- Deviazione Standard pt.2 - 5 -05
Data Wrangling / Numpy11 contenuti
- Introduzione a NumPy e creazione di Ndarray - 23 -41
- Operatori Aritmetici e Funzioni Matematiche - 21 -00
- Operatori Logici e di Confronto - 17 -46
- Indici e Slicing - 12 -51
- Iterare un Ndarray - 14 -55
- Lavorare con le Shape - 10 -20
- Unione di Ndarray - 13 -36
- Split di un Array - 9 -51
- All, Any, Where - 11 -22
- Copia - 10 -00
- Statistica - 7 -31
Data Wrangling / Pandas14 contenuti
- Cos’è Pandas - 11 -27
- Series e Dataframe - 7 -17
- Indicizzazione e Ordinamento - 14 -45
- Selezione Dati e Statistiche - 7 -31
- Raggruppamento Dati - 7 -17
- Funzioni - 8 -54
- Trattare i Dati Mancanti - 9 -29
- Combinare più Dataframe e Series - 10 -33
- Serie Temporali - 16 -17
- Esercitazione Data Exploration e Preprocessing su Dataset Netflix Parte 1 - 23 -09
- Esercitazione Data Exploration e Preprocessing su Dataset Netflix Parte 2 - 5 -34
- Esercitazione Data Exploration e Preprocessing su Dataset Netflix Parte 3 - 16 -43
- Esercitazione Data Exploration e Preprocessing su Dataset Netflix Parte 4 - 13 -14
- Esercitazione Data Exploration e Preprocessing su Dataset Netflix Parte 5 - 5 -40
Data Wrangling / Data Visualization10 contenuti
- Intro alla Data Visualization - 5 -41
- Scatterplot e Barplot - 9 -09
- Customizzazione Grafici - 16 -19
- Immagini e Heatmap - 12 -35
- Torte e Violini - 8 -09
- Subplot - 17 -39
- Pairplot - 5 -20
- Pairgrid - 4 -37
- Esercitazione Data Visualization sul Climate Change - 52 -36
- Esercitazione Data Exploration su Dataset Spotify - 62 -31
Data Wrangling / SciKit-Learn6 contenuti
- Intro a SciKit-Learn - 6 -00
- Dataset Standard e Sintetici - 21 -15
- Normalizzazione e Standardizzazione - 12 -55
- Codifica One-Hot - 8 -49
- Split Dataset e Convalida Incrociata - 10 -32
- Tuning Automatico degli Iperparametri - 15 -13
Data Wrangling / Esercitazione Hero-Level - eCommerce Data6 contenuti
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 1 - 5 -49
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 2 - 6 -05
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 3 - 10 -34
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 4 - 7 -30
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 5 - 10 -29
- Esercitazione Data Engineering & Data Visualization per E-commerce - Parte 6 - 9 -49
Machine Learning Foundations / Introduzione al Machine Learning7 contenuti
- Introduzione al Machine Learning - 38 -03
- Processo di Implementazione - 33 -58
- No Free Lunch Theorem - 9 -03
- Regressione Lineare - 17 -21
- SGDRegressor e LinearRegression - 7 -52
- Regressione Logistica - 13 -00
- LogisticRegression e makepipeline - 5 -41
Machine Learning Foundations / Clusterizzazione5 contenuti
- Clustering - 9 -15
- K-Means - 12 -47
- DB-Scan - 15 -02
- Esercitazione K-Means - 25 -13
- Esercitazione DB-Scan - 31 -41
Machine Learning Foundations / Dimensionality Reduction6 contenuti
- Dimensionality Reduction - 13 -46
- PCA - Principal Component Analysis - 37 -54
- t-SNE - 18 -39
- Esercitazione 1 - PCA - 25 -42
- Esercitazione 2 - PCA - 18 -00
- PCA vs t-SNE - 59 -41
Machine Learning Foundations / Naive Bayes4 contenuti
- Introduzione e concetti base su Naive Bayes - 15 -52
- Naive Bayes per la spam detection - 18 -24
- Approfondimento Naive Bayes - 8 -33
- Naive Bayes per MNIST - 98 -37
Machine Learning Foundations / K-Nearest Neighbors4 contenuti
- KNN - 7 -42
- Esercitazione KNN - 10 -25
- KNN - Mahalanobis vs. Euclidean - 17 -11
- Knn e Distanze - 30 -41
Machine Learning Foundations / Support Vector Machines3 contenuti
- Introduzione a SVM - 12 -38
- Approfondimento su Kernel - 32 -53
- Classificare brand automobilistici con SVM - 47 -54
Machine Learning Foundations / Alberi decisionali e metodi di Ensemble8 contenuti
- Alberi Decisionali - 18 -59
- Gini impurity - 33 -03
- Entropy and Information Gain in Decision Trees - 29 -29
- Alberi decisionali su dataset Iris - 17 -19
- Partizionamento spazio decisionale con alberi - 42 -05
- Ensemble learning e random forest - 12 -20
- Random Forest su dataset Bill Authentication - 16 -11
- Esercitazione su algoritmi di ensemble - 90 -01
Machine Learning Foundations / Metriche per ML3 contenuti
- Metriche per la classificazione e regressione - 38 -16
- Metriche per la classificazione - 37 -30
- Metriche per la regressione - 31 -09
Survey e Test di fine corso2 contenuti
- Survey di fine corsoQUIZ
- Test di fine corsoQUIZ
Il programma è mostrato in estratto, con un massimo di 30 sezioni e 20 contenuti per sezione. I conteggi nella scheda si riferiscono all’intero catalogo del corso.
Durata, livello e prerequisiti
La durata complessiva dei video è 50 ore e 2 minuti, calcolata sommando le durate disponibili per tutti i 181 video del programma. Il livello non è dichiarato e non può essere dedotto con certezza dal titolo. La lingua indicata è «italiano». Il tempo necessario per applicare gli argomenti dipende dalle conoscenze iniziali e dalle attività previste, che il catalogo non quantifica.
Prima di iniziare
- I prerequisiti non sono specificati in un campo dedicato del catalogo. Verifica con il fornitore le conoscenze iniziali e gli eventuali strumenti necessari.
Punti forti e aspetti da verificare
Cosa emerge dal programma
- Sono visibili 20 sezioni del programma: puoi confrontarne i temi prima di scegliere.
- Il percorso comprende 181 video, un formato che permette di organizzare lo studio in sessioni separate.
Limiti e informazioni mancanti
- Il livello non è dichiarato: i titoli delle lezioni da soli non dimostrano quanto il corso sia introduttivo o avanzato.
- I prerequisiti e gli strumenti necessari non sono specificati: chi parte da zero deve verificare la preparazione richiesta.
- Le condizioni di accesso non sono dettagliate: durata della disponibilità e servizi inclusi restano da chiarire.
Acquisto, noleggio o abbonamento?
Il prezzo riportato nel catalogo è 57,00 €; non è specificato a quale formula di accesso si riferisca. Per valutare la convenienza servono la formula disponibile, la durata dell'accesso, le eventuali condizioni di rinnovo e il costo totale. Un accesso lungo può essere utile per riprendere le lezioni; uno temporaneo richiede di pianificare lo studio nel periodo incluso. Il catalogo riporta inoltre 597,00 € come prezzo originale. Non documenta data, provenienza, licenza o formula di quel riferimento: il confronto non prova uno sconto attuale o l'equivalenza delle condizioni.
Le domande da farsi
Che cosa include il programma di Machine Learning Starter Kit?
Il catalogo elenca 20 sezioni, tra cui Introduzione; Python per la Data Science; Probabilità e Statistica / Teoria degli Insiemi; Probabilità e Statistica / Calcolo Combinatorio. I titoli descrivono gli argomenti dichiarati; consulta il programma completo per il dettaglio delle lezioni.
Sono disponibili durata, livello e prerequisiti?
La durata complessiva dei video è 50 ore e 2 minuti, calcolata sommando le durate disponibili per tutti i 181 video del programma. Il livello non è dichiarato. I prerequisiti vanno verificati nella scheda del fornitore.
Conviene acquistare, noleggiare o abbonarsi?
Il catalogo riporta 57,00 € senza specificare la formula di accesso. Per stabilire la convenienza servono i prezzi e le condizioni delle formule effettivamente disponibili per questo corso.
Quali informazioni servono prima di iniziare?
Verifica le conoscenze iniziali richieste, gli strumenti da utilizzare e gli eventuali costi esterni. Chiarisci anche se l'accesso include supporto o feedback e per quanto tempo i materiali restano disponibili.