Autoplay
Completamento Automatico
Lezione Precedente
Completa e Continua
Master Executive in Big Data
Modulo 1. Data Scientist e Analisi dei Big Data
Presentazione Master Big Data Analysis (5:15)
Definizione e origine dei Big Data (9:43)
Materiale didattico del corso
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)
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)
Tecniche statistiche di Data Mining (10:03)
Definizione di Data Mining (10:28)
Tipologie di approccio al Data Mining (9:07)
Applicazioni di Data Mining nel marketing (9:01)
Il Web Mining (5:59)
Web Mining: case history (10:57)
Concetto di variabile aleatoria e distribuzione di frequenza (14:26)
Teorema del limite centrale (9:16)
Strumenti statistici descrittivi (15:52)
La media mobile (16:40)
Indici di variabilità (14:42)
Indici di variabilità (2) (14:45)
Indici di forma (10:23)
Indici di forma (2) (9:45)
Outlier e carte di controllo (16:39)
Outlier e carte di controllo (2) (14:58)
Outlier e carte di controllo (3) (10:33)
Interpolazione e perequazione (14:24)
Interpolazione e perequazione (2) (12:56)
Interpolazione e perequazione (3) (7:16)
Impostazione dei metodi di previsione (6:43)
Fasi dei metodi di previsione (16:25)
Il rumore (16:42)
Correlazioni tra variabili (13:34)
Correlazioni tra variabili (2) (11:31)
Correlazioni tra variabili (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)
Algoritmi di previsione (16:53)
Algoritmi di previsione (2) (4:20)
Algoritmi di classificazione (15:10)
Algoritmi di classificazione (2) (10:28)
Algoritmi di classificazione (3) (17:41)
Supervisione del modello (11:02)
Criticità (10:33)
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)
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)
Test Intermedio
Master Degree in Data Scientist e Big Data Analysis
Modulo 2. Big Data e Machine Learning
Benvenuti (1:33)
Obiettivi del corso (3:38)
Materiale didattico del corso
Installazione strumenti (8:10)
Dataset (3:59)
Modello (6:46)
Training (7:28)
Previsioni (4:09)
Un modello di ML in 4 passi (8:01)
Presentazione della Sezione (1:22)
Cosa è il Machine Learning? (12:18)
Casi d'uso reali (8:08)
Tipi di Machine Learning - per apprendimento (9:27)
Tipi di Machine Learning - per output (6:16)
Algoritmi (7:06)
Gli Errori nel Machine Learning (8:14)
Gli Errori nel Machine Learning - Bias e Varianza (9:09)
Introduzione alle Sezioni sulla Regressione (2:49)
Altri modelli di Machine Learning (5:58)
Comando lm - input (3:09)
Comando lm - output (6:45)
SLR - Definizione (5:15)
SLR - Modello (4:32)
SLR - Minimi Quadrati (6:18)
Significato dei coefficienti (6:19)
Intervalli di confidenza (6:29)
Riepilogo Finale (1:25)
Introduzione alla Sezione (1:11)
Definizione MLR (5:38)
Importare dati da fonti esterne (3:45)
Breve esplorazione del dataset (7:07)
Inizia il viaggio (0:31)
Un modello di MLR (5:07)
Confronto tra 4 modelli (6:13)
Interpretazione del modello di MLR (3:52)
Aldilà di un grande potere (1:23)
Come implementare le Sinergie in R (2:55)
La formula delle Sinergie (2:57)
Altri modelli (3:06)
Il p-value (2:59)
Descrizione delle non linearità nella MLR (1:54)
Come costruire un modello quadratico in R (0:32)
Come rappresentare un modello quadratico in R (5:54)
[bonus] Come studiare 10 modelli in una volta sola! (7:07)
Trattazione teorica delle non linearità (3:29)
Contesto della Scelta delle Variabili (1:32)
Numero di variabili (6:45)
Significatività e p-value (8:35)
Numero Modelli (4:39)
Metodo Forward (10:52)
Metodo Backward (8:04)
Metodo Ibrido (3:19)
Scelta Finale (2:54)
Valutare un modello (3:51)
Test Error (5:33)
Metodi Indiretti (8:46)
Akaike Information Criterion (AIC) (3:30)
Non solo BIC (4:17)
Due modi per calcolare il Cp di Mallows (10:27)
Forward e Backward in un colpo solo! (4:03)
L'importanza della Cross Validation (3:49)
Validation Set 1 - Calcolo MSE (9:51)
Validation Set 2 - Calcolo Ripetuto (8:13)
Validation Set 3 - Plot e Limiti (7:56)
Leave One Out Cross Validation (6:46)
LOO CV in R (10:08)
I limiti della LOO CV (2:34)
K-fold Cross Validation (5:03)
I vantaggi della k-fold CV (6:44)
Come eseguire la k-fold CV in R (6:23)
Valutiamo n modelli con un ciclo "for" (1:35)
Come visualizzare i risultati della k-fold CV (6:30)
Chi è Grande? (1:34)
Introduzione alla Classificazione (5:33)
Introduzione alla Logistic Regression (1:48)
Confronto tra Logistic e Linear Regression (8:27)
Variabili binarie (7:31)
Definizione del Metodo (3:19)
Logistic Function e ... scommesse! (7:11)
Un nuovo dataset (9:59)
Fattori e istogrammi (8:49)
Boxplot e grafici misti (8:13)
Maximum Likelihood (6:21)
Primo Modello di Classificazione (5:32)
Matrice di Confusione (!) (7:43)
Valutazione Grafica (6:17)
Ancora due ... (5:21)
Formula magica? (4:25)
Multiple Logistic Regression (3:13)
Selezione per passi ibrida con la Regressione Logistica Multipla (4:29)
Matrice di confusione e Accuracy sui dati di test (5:29)
Un altro successo, un altro obiettivo! No anzi due! (2:38)
Funzionamento di base (2:59)
Tre probabilità (7:25)
Teorema di Bayes (2:36)
Metodo e Campane ... (5:21)
Linear e Quadratic DA (3:39)
Due nuovi modelli (6:44)
Predizioni e Accuracy dei modelli (5:33)
Modelli multipli (5:23)
Validazione (8:48)
Un algoritmo speciale (1:06)
Apprendimento Pigro e Non Parametrico (5:31)
Come funziona KNN (5:02)
KNN per regressione (3:50)
La Maledizione della Dimensionalità (2:32)
Come scegliere K? (3:25)
KNN in pratica: modello con un predittore (4:46)
1, 10, 100 K (4:38)
K-fold CV con caret (6:15)
100 modelli KNN multi-predittore (6:47)
10.000 valutazioni!!!
Grande^2 (1:06)
Definizione e sfide dei modelli non supervisionati (4:46)
Esempi (6:28)
Descrizione breve (3:15)
Principio alla base di K-Means (4:22)
Algoritmo di K-Means (6:39)
Punti Critici (9:32)
Creiamo il dataset (6:44)
Due modelli di K-Means (6:48)
Elbow Method e Fluttuazioni (8:42)
Conclusioni del corso (5:41)
Webinar
New Business Executive @ Google | I Nuovi Macro Trend del Marketing Digitale - Parte I (51:23)
New Business Executive @ Google | I Nuovi Macro Trend del Marketing Digitale - Parte II (48:41)
New Business Executive @ Google | I Nuovi Macro Trend del Marketing Digitale - Parte III (51:48)
Intervista con Carolina Solari @Alibaba
Intervista con Carolina Solari (61:02)
Intervista ad IVAN MAZZOLENI - CEO@FLOWE
Intervista ad Ivan Mazzoleni (39:33)
Modulo Questionario Gradimento
Questionario Gradimento
Modulo Esame
Esame di Profitto
Definizione e sfide dei modelli non supervisionati
La lezione è bloccata
Se sei già iscritto,
hai bisogno di effettuare il login
.
Iscriviti al corso per Sbloccare