In: Data Science & Machine Learning

Microsoft Excel (2016+) offre molte importanti funzioni per il Machine Learning, sia descrittivo che predittivo. Sebbene Excel non sia stato inizialmente concepito per la Data Science ed il Machine Learning, e non abbia quindi la maturità e completezza di altri strumenti specifici per questi settori (come R o Python), tuttavia la sua grande diffusione, la sua facilità d’uso ed il suo paradigma di interazione immediato lo rendono una scelta consigliabile per tutte le aziende che vogliano esplorare il Machine Learning salvaguardando gli investimenti tecnologici fatti nel passato. Inoltre l’abitudine degli utenti ad Excel abbassa od annulla la barriera all’ingresso che invece, nelle aziende, incontrano a volte i tool più complessi e sofisticati ma nuovi.
Il corso, completamente hands-on in Excel, sfata il falso mito che Excel non sia adatto alla Data Science e Machine Learning, mostrandone invece tutte le potenzialità con molti esempi e casi d’uso pratici.
Questo non è un corso sui grafici di Excel.

Contenuti

• Import e validazione dei dati
  • Importare i dati in Excel da un file di testo o da un documento;
  • Importare i dati in Excel da differenti sorgenti;
  • Validare i dati;
  • Pre-elaborazione dei dati per renderli adatti al Machine Learning;
  • Identificare le relazioni interessanti tra variabili tramite la correlazione statistica;
  • Selezionare le variabili del dataset di interesse (feature engineering), ovvero quelle interessanti e quelle inutili.
• Introduzione all’add-in Excel Analisi Dati (Analysis Toolpack), compreso in Excel.
  • Distribuzioni di probabilità ed istogrammi;
  • Statistica descrittiva;
  • Misure di centralità e di variabilità;
  • Correlazione e covarianza;
  • Quartili e percentili.
• Il campionamento dei dati
  • Generazione di numeri casuali;
  • Tecniche di campionamento;
  • Partizionamento dei dati in training e test set;
  • Validation dataset?
• Machine Learning descrittivo – basi:
  • Data Visualization in Excel: diagrammi, istogrammi e mappe;
  • Sintetizzare i dati con gli istogrammi e le carte di Pareto;
  • Sintetizzare i dati con la statistica descrittiva;
  • Usare le tabelle Pivot e gli slicer per descrivere i dati;
  • Il modello dati;
  • Power Pivot;
  • Power View a mappe 3D;
  • Sparkline;
  • Sintetizzare i dati con le funzioni statistiche di database;
  • Filtrare i dati e rimuovere i duplicati;
  • Consolidare i dati;
  • Creare sotto-totali;
  • Trucchi grafici.
• Machine Learning descrittivo – avanzato:
  • Market Basket Analysis e Customer Cohort Analysis;
  • Analizzare le serie temporali (time series analysis);
• Machine Learning predittivo:
  • Stimare relazioni lineari tra variabili
  • Modellare la crescita esponenziale;
  • La curva di potenza;
  • La regressione multipla;
  • Regressione multipla con variabili qualitative;
  • Modellare relazioni non-lineari ed interazioni tra variabili;
  • Analisi della varianza ad una via;
  • Blocchi randomizzati ed Analisi della varianza a due vie;
  • Usare le medie mobili per capire le serie temporali;
  • Il metodo di Winters;
  • Il metodo di forecasting ratio-to-moving-average;
  • Forecasting in presenza di eventi speciali;
  • Prevedere le time series (time series forecasting).
• La valutazione dei modelli di Machine Learning:
  • Overfitting vs underfitting;
  • Bias vs. variance;
  • Mean Square Error (MSE);
  • Matrici di confusione;
  • ROC ed AUC.
• Reti neurali artificiali.

Durata

• 14 ore
• 2 giorni

Prerequisiti

Una generica conoscenza di base di Excel.