• Definizione di un progetto da sviluppare durante il corso
• Introduzione ai tipi di dati in Python: str, int, float, bool
• Valutazione delle espressioni e identificazione dei tipi di dati
• Operazioni sui tipi di dati: conversione, indicizzazione e slicing
• Operazioni sulle liste: costruzione e manipolazione
• Operazioni avanzate sulle liste: ordinamento, fusione e ricerca
• Precedenza degli operatori e sequenza di esecuzione

• Costruzione e analisi di segmenti di codice con istruzioni di branching: if, elif, else, espressioni condizionali composte e nidificate
• Costruzione e analisi di segmenti di codice che eseguono iterazioni: while e for
• Utilizzo di break, continue e pass
• Loop nidificati e iterazioni con espressioni condizionali composte
• Esercitazioni pratiche sui loop e branching

• Operazioni di input e output con file: open, close, read, write e append
• Gestione avanzata dei file: esistenza, eliminazione e contesto con with statement
• Input e output da console e formattazione del testo con string.format() e f-String
• Uso degli argomenti da riga di comando

• Documentazione del codice: indentazione, spazi bianchi, commenti e docstrings
• Generazione della documentazione con pydoc
• Definizione di funzioni: firme, valori di default e return
• Uso di def e pass nelle funzioni

• Analisi, rilevamento e correzione di errori di sintassi, logici e runtime
• Gestione delle eccezioni: try, except, else, finally e raise
• Testing unitario: introduzione e metodi assert
• Uso di unittest per il testing del codice

• Operazioni con file system e riga di comando usando io, os, os.path e sys
• Importazione e uso dei moduli per operazioni sui file
• Uso di sys per gli argomenti da riga di comando
• Risoluzione di problemi complessi con il modulo Math
• Utilizzo del modulo datetime
• Utilizzo del modulo random

• Introduzione a NumPy: operazioni e array
• Operazioni avanzate con NumPy
• Introduzione a Pandas: DataFrame e serie
• Manipolazione e analisi dei dati con Pandas
• Introduzione a SciPy: funzioni e applicazioni
• Esercitazioni pratiche con NumPy, Pandas e SciPy

• Introduzione al Machine Learning e a Scikit-learn
• Algoritmi di Machine Learning: regressione lineare e regressione logistica
• Algoritmi di Machine Learning: K-Nearest Neighbors e Decision Trees
• Algoritmi di Machine Learning: Support Vector Machines e Naive Bayes
• Valutazione dei modelli e cross-validation
• Progetti pratici e revisione

• Introduzione al Deep Learning e alle reti neurali
• Implementazione di reti neurali con Keras e TensorFlow
• Approfondimento dell'implementazione di reti neurali
• Esercitazioni pratiche e progetti di Deep Learning

• Revisione generale del corso
• Simulazione d'esame e correzione finale

Nel Project Work metterai in pratica ciò che hai appreso su gestione dei dati, automazione, Machine Learning, testing e reporting, sviluppando una pipeline end-to-end completa.

Potrai applicare il progetto a un'azienda o brand reale di terzi, a una realtà reale di tua proprietà oppure a un caso inventato.

• Data Ingestion e Management
• Ingegneria del dato e pre-processing
• Sviluppo dei modelli AI e validazione
• Qualità del software e Unit Testing
• Reporting e Deployment
• Padroneggiare la pipeline di Machine Learning dall'estrazione del dato grezzo alla predizione finale
• Acquisire competenze di Software Engineering applicate alla Data Science, sviluppando codice pulito, testabile e documentato
• Sviluppare autonomia nella scelta del modello predittivo più adatto alla natura del dataset