Autoplay
Completamento Automatico
Lezione Precedente
Completa e Continua
Master Degree in Data Scientist e Big Data Analysis
LA RIVOLUZIONE DEI BIG DATA
Presentazione Master Big Data Analysis (5:15)
Materiale didattico del corso
Definizione e origine dei Big Data (9:43)
Il ruolo del Data Scientist (11:32)
L’approccio della Business Intelligence (7:36)
Struttura di dati e basi dati (8:37)
Prime applicazioni di Big Data (8:30)
L'INFORMAZIONE NEI DATI
Dato vs informazione (5:09)
Dimensioni e caratteristiche dei Big Data (13:50)
Come trattare i Big Data e il processo di creazione (7:04)
Big Data nell’industria 4.0 e Internet of Things (14:21)
DATA E WEB MINING
Definizione di Data Mining (10:28)
Tecniche statistiche di Data Mining (10:03)
Tipologie di approccio al Data Mining (9:07)
Applicazioni di Data Mining nel marketing (9:00)
Il Web Mining (5:59)
Web Mining: case history (10:57)
ANALISI QUANTITATIVA DEI DATI
Concetto di variabile aleatoria e distribuzione di frequenza (14:26)
Teorema del limite centrale (9:15)
Strumenti statistici descrittivi (15:52)
La media mobile (16:40)
Indici di variabilità – Parte 1 (14:42)
Indici di variabilità – Parte 2 (14:45)
Indici di forma – Parte 1 (10:23)
Indici di forma – Parte 2 (9:45)
DATA CLEANING
Outlier e carte di controllo – Parte 1 (16:39)
Outlier e carte di controllo – Parte 2 (14:58)
Outlier e carte di controllo – Parte 3 (10:32)
Interpolazione e perequazione – Parte 1 (14:23)
Interpolazione e perequazione – Parte 2 (12:56)
Interpolazione e perequazione – Parte 3 (7:16)
DIPENDENZA TRA VARIABILI
Impostazione dei metodi di previsione (6:43)
Fasi dei metodi di previsione (16:25)
Il rumore (16:42)
Correlazioni tra variabili – Parte 1 (13:33)
Correlazioni tra variabili – Parte 2 (11:31)
Correlazioni tra variabili – Parte 3 (11:48)
Il modello di regressione (9:51)
La regressione lineare – metodo dei minimi quadrati (11:38)
Esempi di regressione lineare (4:42)
Trasformazioni di variabili e adeguatezza del modello (13:59)
Ipotesi per il modello di regressione lineare (14:44)
Regressione lineare multipla (13:59)
METODI DI ANALISI
Algoritmi di previsione – Parte 1 (16:53)
Algoritmi di previsione – Parte 2 (4:20)
Algoritmi di classificazione – Parte 1 (15:10)
Algoritmi di classificazione – Parte 2 (10:28)
Algoritmi di classificazione – Parte 3 (17:41)
Supervisione del modello (11:01)
Criticità (10:33)
NORMALIZZAZIONE DEI DATI
L’importanza della Normale nei Big Data (11:35)
Variabili casuali continue (13:52)
Variabile casuale Normale (15:34)
Standardizzazione della variabile casuale Normale (17:00)
Approssimazioni alla variabile casuale Normale (15:17)
DATA VISUALIZATION NEI BIG DATA
Istogrammi e approssimazioni alla Normale (7:53)
Diagrammi a dispersione (6:33)
Boxplot e Corrplot (7:21)
Altre rappresentazioni (13:07)
Quale grafico scegliere (5:42)
Questionario di Gradimento
Questionario di Gradimento per Master Degree in Data Scientist e Big Data Analysis
Consulenza Strategica Life Learning
La nostra consulenza strategica (2:20)
ESAME DI PROFITTO
Esame di profitto del Master Degree in Data Scientist e Big Data Analysis
Ipotesi per il modello di regressione lineare
La lezione è bloccata
Se sei già iscritto,
hai bisogno di effettuare il login
.
Iscriviti al corso per Sbloccare