In: Data Science & Machine Learning

L’analisi esplorativa dei dati aziendali disponibili (alias Data Discovery) è in genere il passo preliminare alla modellazione, ed è dunque fondamentale nell'Analitica avanzata e nella Data Science in generale. I 3 passi classici (per partire) sono: verifica della distribuzione dei valori, verifica delle relazioni tra risposta e predittori, verifica delle relazioni tra predittori.
Taglio pratico con il software R od, in alternativa su richiesta, con Excel 2013+.

I contenuti sono i seguenti:

• Tipi di variabili (numeriche e categoriche)
• Misure di sintesi dei dati
• Istogrammi e tabelle di frequenza
• Misure centrali dei dati
• Misure di dispersione dei dati
• Rappresentazione grafica dei dati
• Campione vs popolazione
• Distribuzioni di probabilità (le principali per le aziende)
• Correlazione e covarianza
• Regressione lineare semplice
• Assunzioni ed analisi dei residui
• Rilevamento, analisi e trattamento degli outlier (valori estremi) e dei valori mancanti
• Regressione linearizzabile
• Regressione non lineare
• Regressione multipla e multivariata (cenni)
• Regressione stocastica (cenni)
• Analisi della varianza (cenni)
• Intervalli di confidenza e di previsione (per correlazione e regressione)
• Riduzione variabili / PCA
• Analisi dati esplorativa per dati non-strutturati (cenni)
• Test di ipotesi
• Grafici e plot (scatterplot, boxplot, density plot)
• Visualizzazione grafica dei dati (avanzata): cenni

NB. Gli esempi relativi ai suddetti problemi sono in R. Quali tool usare per i suddetti problemi, oltre ad R: rapida rassegna (in primis Excel e Microsoft in generale) e confronto.

Durata

• 7 ore

Prerequisiti

Il corso introduttivo su R.