Corso di Programmazione Python

• 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 (parte 1): while, for
• Costruzione e analisi di segmenti di codice che eseguono iterazioni (parte 2): break, continue, 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, append 
• Gestione avanzata dei file: esistenza, eliminazione e contesto: with statement
• Input e output da console: lettura e formattazione del testo: string.format(), f-String 
• Uso degli argomenti da riga di comando 

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

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

• Operazioni di base con il file system e la riga di comando usando moduli integrati: io, os, os.path, 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 moduli integrati (parte 1): Math 
• Risoluzione di problemi complessi con moduli integrati (parte 2): datetime 
• Risoluzione di problemi complessi con moduli integrati (parte 3): 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: Concetti di base di machine learning, importazione di scikit-learn
• Algoritmi di Machine Learning con Scikit-learn (parte 1): Regressione lineare, regressione logistica 
• Algoritmi di Machine Learning con Scikit-learn (parte 2): K-Nearest Neighbors, Decision Trees 
• Algoritmi di Machine Learning con Scikit-learn (parte 3): Support Vector Machines, Naive Bayes 
• Valutazione dei modelli e cross-validation
• Progetti pratici e revisione

• Introduzione al Deep Learning: concetti di base: Introduzione alle reti neurali
• Implementazione di reti neurali con Keras e TensorFlow (parte 1) 
•  Implementazione di reti neurali con Keras e TensorFlow (parte 2) 
• 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: 

• Attività principali

  • Data Ingestion e Management:
  • Ingegneria del Dato e Pre-processing:
  • Sviluppo Modelli AI e Validazione:
  • Qualità del Software e Unit Testing:
  • Reporting e Deployment:

   

• Obiettivi formativi

  • Padroneggiare la pipeline di Machine Learning dall'estrazione del dato grezzo alla predizione finale.
  • Acquisire competenze di Software Engineering applicate alla Data Science, garantendo codice pulito, testabile e documentato.

   

• Sviluppare autonomia decisionale nella scelta del modello predittivo più idoneo alla natura del dataset.