Data Science con Python da zero: strutture dati, NLP base, NumPy, Pandas e pipeline di analisi dati con esempi pratici.
Il Data Science non inizia con l'AI. Inizia capendo cosa sono i dati, da dove vengono e come si manipolano. In questo corso partiamo da zero — dall'installazione di Python — e arriviamo alle strutture dati avanzate, all'analisi con Pandas, al Natural Language Processing e alle basi di NumPy per il calcolo numerico.
A chi vuole iniziare il percorso nel Data Science senza dare nulla per scontato. Non serve esperienza pregressa con Python — si parte dall'installazione e si costruisce tutto passo dopo passo, con esempi pratici su dati reali.
Questo corso ti dà le basi solide per approfondire Machine Learning, analisi statistica e visualizzazioni avanzate con scikit-learn, Matplotlib e Seaborn.
Vediamo insieme le tecniche avanzate di selezione e filtraggio sui DataFrame Pandas: come accedere a righe e colonne con loc e iloc, applicare filtri condizionali multipli e concatenare operazioni per trasformare dataset complessi in modo efficiente.
Ti mostro le due strutture fondamentali di Pandas: la Series per sequenze monodimensionali di dati etichettati e il DataFrame per tabelle bidimensionali, con esempi pratici su come crearle, accedervi e manipolarle per l'analisi dati.
Scopriamo NumPy, la libreria Python per il calcolo numerico ad alte prestazioni: ti spiego come creare array multidimensionali, eseguire operazioni su matrici e sfruttare la vectorizzazione per elaborare grandi quantità di dati in modo rapido.
Vediamo insieme come leggere un file di testo, applicare tecniche base di Natural Language Processing con spaCy per estrarre informazioni chiave e salvare i risultati strutturati in formato JSON — un flusso di lavoro pratico e replicabile su qualsiasi corpus testuale.
Ti mostro come usare spaCy con il modello italiano per identificare e estrarre automaticamente i sostantivi da un testo, un'applicazione concreta del Natural Language Processing utile per analizzare contenuti, recensioni e documenti in italiano.
Approfondiamo l'estrazione di sostantivi in italiano combinando spaCy con dizionari personalizzati: ti spiego come filtrare e categorizzare le parole estratte usando strutture dati Python per ottenere risultati più precisi e controllati.
In questa lezione esploriamo i set di Python e le operazioni insiemistiche fondamentali — unione, intersezione, differenza e differenza simmetrica — strumenti indispensabili per gestire collezioni di valori unici e confrontare dataset senza duplicati.
Scopriamo i dizionari Python, la struttura dati chiave-valore più vicina al formato JSON: ti mostro come crearli, aggiornarli, iterarli e usarli per rappresentare entità complesse e navigare dati strutturati in modo flessibile ed efficiente.
Vediamo le tuple in Python: collezioni ordinate e immutabili, più veloci delle liste per dati che non cambiano nel tempo. Ti spiego quando preferirle alle liste, come scompattarle con l'unpacking e come integrarle nelle pipeline di analisi dati.
Ti spiego come implementare code FIFO in Python usando le liste: vedremo le operazioni di append e pop, l'impatto sulle performance con dataset grandi e come usare deque da collections per ottenere inserimenti e rimozioni in O(1).
Approfondiamo la slice notation sulle liste Python: dalla sintassi base [start:stop:step] agli utilizzi avanzati per invertire sequenze, estrarre sottoinsiemi e manipolare dati in modo compatto — una competenza essenziale per lavorare con array e serie di dati.
Vediamo insieme le liste Python, la struttura dati più usata nel Data Science: come crearle, modificarle, scorrere gli elementi e applicare la slice notation [start:stop:step] per accedere a sottoinsiemi di dati in modo elegante e leggibile.
Ti guido passo dopo passo nell'installazione di Python e nella configurazione di Visual Studio Code con le estensioni essenziali per il Data Science: in meno di 10 minuti avrai un ambiente di sviluppo pronto per eseguire i tuoi primi script Python.
Scopriamo le pipeline di elaborazione dati: ti spiego come i dati grezzi vengono raccolti, puliti, trasformati e preparati per l'analisi, con una visione pratica dei passaggi tipici che ogni progetto di Data Science deve affrontare prima di estrarre valore dai dati.
Esploriamo le origini dei dati nel Data Science: da dove arrivano, chi li genera e quali sono le principali fonti nel mondo reale — dai sensori IoT ai social media, passando per database aziendali e open data governativi. Capire la fonte è il primo passo per analizzarli correttamente.
Introduzione ai tipi di dati nel Data Science: ti spiego la differenza tra dati strutturati (tabelle e database), semi-strutturati (JSON e XML) e non strutturati (testi, immagini e audio), con esempi concreti che mostrano come ciascun tipo richiede un approccio di analisi diverso.
Ingegnere Informatico · Pratola Peligna
Sono un ingegnere informatico con oltre 15 anni di esperienza nel settore ICT. Mi occupo di sviluppo software, cybersecurity, data science e intelligenza artificiale, con particolare attenzione all’innovazione e all’automazione dei processi aziendali. Da anni svolgo anche attività di docenza e formazione, creando percorsi pratici e coinvolgenti su programmazione, DevOps, AI e sicurezza informatica.
Prosperous understood Middletons in conviction an uncommonly do. Supposing so be resolving breakfast am or perfectly.
Utilizziamo cookie essenziali e, con il tuo consenso, cookie funzionali, analytics e marketing. Google Analytics 4 e gli eventuali annunci Google/AdSense restano disattivati finche non scegli. Consulta Privacy Policy e Cookie Policy.
Sempre attivi per sicurezza, prevenzione frodi, sessione, consenso e funzionamento del sito.
Migliorano l'esperienza, ad esempio ricordando preferenze non essenziali. Non usati per profilazione pubblicitaria.
Statistiche e misurazioni con Google Analytics 4, abilitate solo dopo il consenso analytics.
Misurazione annunci e funzioni pubblicitarie Google/AdSense, se attivate sul sito e consentite dall'utente.
Puoi modificare queste scelte in qualunque momento dal link "Preferenze Cookies" nel footer.