Data Science e Machine Learning: Dai dati alla conoscenza

**Estrarre conoscenza dalle informazioni attraverso l'analisi dei dati**: quella del data scientist è stata definita la professione più attraente del XXI secolo. Analizzare le relazioni tra i dati, scoprire nuove informazioni e, con l'aiuto del machine learning, sfruttare l'enorme potenziale che vi si nasconde costruendo modelli previsionali. In questo libro illustriamo le tecniche di analisi dei dati e di costruzione di algoritmi di **Machine Learning** e **Deep Learning**, passando dalle conoscenze teoriche alle applicazioni con il software statistico R, tramite ampi esempi pratici. **Cosa imparerai** - Matematica e algebra per il machine learning - Utilizzo del software statistico R e R-Studio - Statistica descrittiva e inferenziale per la data science - Calcolo delle probabilità - La preparazione dei dati e la feature engineering - Progettare e validare gli algoritmi di machine learning - Algoritmi di regressione, classificazione e clustering - Fare previsioni basate su serie temporali - I modelli di reti neurali e deep learning - Raccontare i dati: data visualization & data storytelling **A chi è rivolto questo libro** Questo libro è rivolto a chiunque voglia imparare a manipolare ed analizzare i dati traendo da questi nuova conoscenza. Se sei un manager IT o un analista che vuole entrare nel mondo della Data Science e dei Big Data, se sei uno sviluppatore che vuole conoscere le nuove tendenze nel campo dell'Intelligenza Artificiale o sei semplicemente curioso di conoscere questo mondo, allora questo libro è per te. **Contenuti** - La data science e i modelli di analisi - La gestione dei big data - Analisi univariata e multivariata, probabilità e test d'ipotesi - Esplorare e visualizzare i dati - Preparazione e pulizia dei dati - Apprendimento supervisionato: classificazione e regressione - Apprendimento non supervisionato: clustering e riduzione dimensionale - Apprendimento semi supervisionato - Algoritmi di associazione e analisi delle serie temporali - Misure di validazione ed ottimizzazione degli algoritmi - Le reti neurali e il Deep Learning - Reti Convoluzionali per il riconoscimento di immagini - Reti Ricorrenti e LSMT per le sequenze - Encoders per la feature selection - Algoritmi generativi