Il programma, prima della promessa.
Percorso di Carriera Data Scientist raccoglie 41 sezioni, tra cui Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / L'Intelligenza Artificiale Oggi e Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Il mondo dell'AI. 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 Percorso di Carriera Data Scientist 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: «Cos'è l'Intelligenza Artificiale - 6:17».
- Tra gli argomenti del percorso: «Applicazioni dell'IA - 11:32».
- Tra gli argomenti del percorso: «Cosa non è IA - 8:38».
- Tra gli argomenti del percorso: «Data Driven Mindset - 7:35».
Come è strutturato il programma
Il programma è suddiviso in 41 sezioni. Tra i titoli presenti: Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / L'Intelligenza Artificiale Oggi; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Il mondo dell'AI; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Agentic AI; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Opportunità e Sfide dell'IA. Il catalogo elenca 511 contenuti, di cui 504 con video e 473 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.
Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / L'Intelligenza Artificiale Oggi5 contenuti
- Cos'è l'Intelligenza Artificiale - 6:17
- Applicazioni dell'IA - 11:32
- Cosa non è IA - 8:38
- Data Driven Mindset - 7:35
- Data Decision Mindset - 9:58
Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Il mondo dell'AI7 contenuti
- Intelligenza Artificiale - 07:21
- Qualità e Importanza del Dato - 8:38
- Come imparano le macchine? - 2:18
- Apprendimento Supervisionato - 8:21
- Apprendimento Non Supervisionato - 10:35
- Apprendimento per Rinforzo - 12:13
- AI predittiva vs AI generativa - 07:22
Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Agentic AI4 contenuti
- AI Workflow & AI Agents - 5:48
- AI Workflow - Applicazioni - 3:15
- AI Agents - Applicazioni - 5:21
- Scenari tipici di AI Workflow & AI Agents - 5:15
Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Opportunità e Sfide dell'IA7 contenuti
- Le sfide dell'AI - 2:44
- Bias - 16:27
- Allucinazioni - 9:33
- Data Protection - 8:28
- Trasparenza & Spiegabilità - 9:49
- Responsabilità & Accountability - 7:01
- Upskilling & formazione - 5:15
Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Implementare l'IA in azienda3 contenuti
- Implementare con successo l'AI in azienda - 8:38
- Centralità della Supervisione Umana - 5:51
- Limiti e sfide aperte - 3:34
Introduzione al Data Driven Mindset / Data Culture (Cultura Data Driven)6 contenuti
- Introduzione al modulo Data Culture - 3:31
- Mindset Data Driven - 18:42
- Tradurre Problemi in Domande ai Dati - 9:07
- Sviluppo di una cultura aziendale Data Driven - 21:02
- Test and Learn - 8:29
- Conclusioni: il Processo Iterativo della Data Driven Culture - 4:17
Introduzione al Data Driven Mindset / Cloud & AI: Guida alla Quarta Rivoluzione Industriale7 contenuti
- Introduzione e Storia del Cloud Computing - 14:39
- Caratteristiche e Modelli di Cloud - 13:07
- IaaS, PaaS e SaaS - 13:36
- Business Intelligence Analytics - 15:15
- Blockchain - 23:05
- Cloud e Intelligenza Artificiale - 9:12
- Use Case - Netflix & Cloud Computing - 5:39
Data Science in Python / Fondamenti di Python40 contenuti
- Introduzione a Python - 5:52
- Installazione di Python - 7:28
- Installazione di python e configurazione dei virtualenv su Mac OS - 21:45
- 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 - 10:31
- 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 20 contenuti: consulta il programma completo su Guruflix.
Data Science in Python / Numpy12 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
- Copia - 10:00
- All, Any, Where - 11:22
- Ordinamento e Filtraggio - 11:23
- Statistica - 7:31
Data Science in Python / 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 Science in Python / 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 Science in Python / 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 Science in Python / Esercitazione Hero Level6 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
Matematica 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
Matematica e Statistica / Calcolo Combinatorio26 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
- Disposizioni - Introduzione - 1:40
- Disposizioni Semplici - Introduzione - 4:11
- Disposizioni Semplici - Caso particolare - 2:29
- Disposizioni Semplici - Formula - 7:45
- Disposizioni Semplici - Esempio - 5:20
- Disposizioni con ripetizione - Introduzione - 5:05
- Disposizioni con ripetizione - Esempio - 4:26
- Altri 6 contenuti: consulta il programma completo su Guruflix.
Matematica 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
Matematica 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
Matematica e Statistica / Analisi Matematica38 contenuti
- Introduzione - 4:00
- Geogebra - 6:47
- Funzioni ad una variable - 7:11
- Immagine e Pre-Immagine - 3:49
- Funzioni su insiemi numerici - 7:44
- Biettivita e funzione inversa - 14:23
- Recap su funzioni - 2:04
- Piano cartesiano e rappresentazione di un punto su GeoGebra - 14:31
- Insieme di punti su Geogebra - 9:43
- Prime funzioni su GeoGebra - 13:04
- Disuguaglianze su GeoGebra - 9:07
- Funzioni lineari a una variabile - 17:49
- Funzioni non lineari a una variabile - 8:17
- Traslare una funzione sul piano - 8:01
- Funzioni composte - 5:25
- Combinazioni di funzioni e discontinuità - 12:34
- Principali funzioni di attivazione - 18:36
- Limiti - Parte 1 - 12:52
- Limiti - Parte 2 - 20:56
- Limiti - Parte 3 - 10:17
- Altri 18 contenuti: consulta il programma completo su Guruflix.
Matematica e Statistica / Algebra lineare17 contenuti
- Introduzione - 1:47
- Scalari - 2:51
- Vettori - Introduzione - 7:51
- Vettori - Vettore come ente geometrico pt.1 - 9:56
- Vettori - Vettore come ente geometrico pt.2 - 13:17
- Vettori - Vettore come ente geometrico pt.3 - 7:38
- Operazioni tra vettori - Somma e Sottrazione - 5:51
- Operazioni tra vettori - Prodotto tra vettore e scalare - 6:36
- Operazioni tra vettori - Prodotto scalare e altri prodotti - 17:55
- Matrici - Introduzione - 14:54
- Operazioni con le matrici - Somma e Sottrazione - 4:33
- Operazioni con le matrici - Prodotto con scalare e Prodotto tra matrici - 19:28
- Tensori - 22:56
- Tensori - esempio pratico - 11:44
- Sistemi di equazioni - Introduzione - 20:03
- Sistemi di equazioni - Cosa sono - 18:18
- Sistemi di equazioni - Rappresentazione Matriciale - 13:18
Machine Learning / Introduzione al ML8 contenuti
- Introduzione al Corso - 6:28
- 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 / Clustering5 contenuti
- Clustering - 9:15
- K-Means - 12:47
- DB-Scan - 15:02
- Esercitazione K-Means - 25:13
- Esercitazione DB-Scan - 31:41
Machine Learning / KNN4 contenuti
- KNN - 7:42
- Esercitazione KNN - 10:25
- KNN - Mahalanobis vs. Euclidean - 17:11
- Knn e Distanze - 30:41
Machine Learning / SVM4 contenuti
- Introduzione a SVM - 12:38
- Approfondimento su Kernel - 32:53
- Visualizzare i vettori di supporto - 54:46
- Classificare brand automobilistici con SVM - 47:54
Machine Learning / Naive Bayes8 contenuti
- Introduzione e concetti base su Naive Bayes - 15:52
- Naive Bayes per la spam detection - 18:24
- Approfondimento Naive Bayes - 8:33
- Bernoulli Naive Bayes - 16:46
- Gaussian Naive Bayes - 3:57
- Gaussian Naive Bayes from scratch - 41:34
- Multinomial Naive Bayes e Bag of Words - 17:05
- Naive Bayes per MNIST - 98:37
Machine Learning / 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 / Alberi decisionali e metodi di ensemble16 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
- Boosting - 3:19
- Adaboost - 14:56
- Gradient Boosting - 2:45
- Esercitazione Gradient Boosting - 12:53
- Cenni su XGBoost - 7:31
- Esercitazione con XGBoost - 15:04
- Cenni su Catboost - 8:53
- Catboost su dataset Titanic - 19:27
- Esercitazione su algoritmi di ensemble - 90:01
Machine Learning / Metriche per il Machine Learning12 contenuti
- Metriche per il Machine Learning - Introduzione - 06:30
- Metriche per la regressione - 11:31
- Matrice di confusione - 07:13
- Accuracy - 07:28
- Precision e Recall - 08:33
- Balanced Accuracy ed F1-Score - 04:21
- Riepilogo su metriche per la classificazione - 01:56
- ROC e AUC - 04:46
- Logloss - 06:22
- Classificazione multiclasse - One versus One e One Versus Rest - 05:14
- Metriche per la regressione - Hands On - 20:49
- Metriche per la classificazione - Hands On - 14:54
Fondamenti di Deep Learning / Fondamenti di Machine Learning e Regressione Lineare / Fondamenti di Machine Learning e Regressione Lineare16 contenuti
- Problema di Regressione Lineare e funzione di ipotesi - 20:57
- Funzione di costo (MSE) - 36:19
- La discesa del gradiente - 22:05
- Cosa è una derivata e perché la discesa del gradiente funziona - 41:49
- [OPZIONALE] Calcolo delle derivate - 31:43
- Visualizzazione della discesa del gradiente - Parte 1 - 27:41
- Visualizzazione della discesa del gradiente - Parte 2 - 8:16
- Tipologie di discesa del gradiente - 7:03
- Esercitazione Regressione Lineare - 8:12
- Esercitazione Regressione Lineare con Normalizzazione - 5:22
- Gradient Tape pt.1 - Come funziona il Gradient Tape - 12:49
- Gradient Tape pt.2 - Regressione Lineare con Gradient Tape - 17:45
- Regressione Lineare Multivariata - Teoria - 11:45
- Regressione Lineare Multivariata - Pratica - 29:44
- Regressione Lineare Polinomiale - Teoria - 7:36
- Regressione Lineare Polinomiale - Pratica - 13:20
Fondamenti di Deep Learning / Fondamenti di Machine Learning e Regressione Lineare / Test di fine modulo1 contenuto
- Resources
Fondamenti di Deep Learning / Dalla Regressione Logistica alle Reti Neurali / Dalla Regressione Logistica alle Reti Neurali19 contenuti
- La Regressione Logistica - 18:42
- Esercitazione Regressione Logistica Custom e con SciKit-Learn - 19:46
- Esercitazione Regressione Logistica su più classi - 17:01
- Overfitting e Regolarizzazione - 11:03
- Esercitazione Regressione Logistica con Regolarizzazione - 11:24
- Introduzione alle Reti Neurali Artificiali - 16:06
- Il Percettrone come primo neurone artificiale - 10:31
- Funzioni di Attivazione - 21:26
- A cosa serve la non linearità - 29:53
- Visualizzazione intuitiva della non linearità con Geogebra - 22:37
- Teorema di Approssimazione Universale - 19:54
- Reti Neurali Artificiali - 25:46
- Rete neurale in TF - Approccio Sequenziale vs Approccio Funzionale - Parte 1 - 17:49
- Rete neurale in TF - Approccio sequenziale vs Approccio Funzionale - Parte 2 - 23:48
- Rete neurale in TF - Approccio sequenziale vs Approccio Funzionale - Parte 3 - 29:23
- [OPZIONALE] Rete Neurale in PyTorch - 33:28
- Esercitazione ANN in Keras - IMDB - 16:31
- Esercitazione ANN in Keras - MNIST - 34:38
- Esercitazione ANN in Keras - Titanic - 27:39
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 107 ore e 12 minuti, calcolata sommando le durate disponibili per tutti i 504 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 41 sezioni del programma: puoi confrontarne i temi prima di scegliere.
- Il percorso comprende 504 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 138,00 €; 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 1386,00 € 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 Percorso di Carriera Data Scientist?
Il catalogo elenca 41 sezioni, tra cui Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / L'Intelligenza Artificiale Oggi; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Il mondo dell'AI; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Agentic AI; Introduzione al Data Driven Mindset / Fondamenti di Intelligenza Artificiale / Opportunità e Sfide dell'IA. 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 107 ore e 12 minuti, calcolata sommando le durate disponibili per tutti i 504 video del programma. Il livello non è dichiarato. I prerequisiti vanno verificati nella scheda del fornitore.
Conviene acquistare, noleggiare o abbonarsi?
Il catalogo riporta 138,00 € 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.