Data Scientist professionale — Dal problema di business al modello in produzione
Percorso professionale completo per condurre un approccio di Data Science, dal problema di business fino al modello valutato, distribuito e monitorato.
Il Data Scientist trasforma un problema di business in un approccio sperimentale basato sui dati. Costruisce set di lavoro affidabili, formula ipotesi, stabilisce baseline, sviluppa e confronta modelli, misura incertezza e bias, quindi contribuisce a integrare i modelli in prodotti o processi realmente utilizzati.
Questo percorso copre Python, SQL, statistica, sperimentazione, Machine Learning, feature engineering, serie temporali, testo ed embedding, causalità, deep learning, riproducibilità, spiegabilità, equità e MLOps. L'obiettivo è saper scegliere una strategia di modellazione pertinente, dimostrarne le prestazioni e il valore operativo, quindi partecipare alla sua distribuzione, al monitoraggio e alla governance.
metiers_prof_data_scientist_outcome
15 corsi • 150 lezioni interattive • da 45 a 75 ore di formazione conversazionale
Offerta migliore
Pacchetto Completo — Data Scientist
399,00 € IVA esclusa
Risparmio : 124,80 €
74,70 €
64,90 IVA esclusa
Risparmio : 9,80 €
Inquadramento del problema e ambiente di lavoro
Comprendere il ruolo del Data Scientist, tradurre una sfida di business in un problema di modellazione e predisporre un ambiente di lavoro riproducibile.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Nessun prerequisito avanzato. Per iniziare sono sufficienti un uso abituale del computer e un interesse per l'analisi dei dati o la risoluzione dei problemi.
- Comprendere il ruolo del Data Scientist e distinguere analisi, previsione, causalità e ottimizzazione
- Gestire array e strutture dati con NumPy e pandas
- Visualizzare dati con Matplotlib o Seaborn per comunicare una prima lettura
- Presentare una prima lettura dei dati a un interlocutore di business
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: presentare una prima lettura dei dati a un interlocutore di business
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
24,90 € IVA esclusa
Qualità dei dati e ragionamento statistico
Individuare i problemi di qualità dei dati e mettere in pratica le basi statistiche e probabilistiche necessarie a un progetto di Data Science.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Nessun prerequisito avanzato. Per iniziare sono sufficienti un uso abituale del computer e un interesse per l'analisi dei dati o la risoluzione dei problemi.
- Individuare dati mancanti, valori anomali, errori di misura e bias di raccolta
- Comprendere covarianza, correlazione e limiti di interpretazione
- Comprendere le distribuzioni usuali (normale, Poisson, binomiale) e il loro uso pratico
- Verificare la qualità di un set di dati reale e produrre un report di data quality
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: verificare la qualità di un set di dati reale e produrre un report di data quality
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
24,90 € IVA esclusa
Protocollo sperimentale e baseline
Predisporre un protocollo sperimentale rigoroso e stabilire una prima baseline di riferimento.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Nessun prerequisito avanzato. Per iniziare sono sufficienti un uso abituale del computer e un interesse per l'analisi dei dati o la risoluzione dei problemi.
- Separare correttamente i dati di addestramento, validazione e test
- Scegliere una metrica di valutazione allineata al costo di business degli errori
- Confrontare più baseline ingenue: media, regola di business, modello casuale
- Laboratorio professionale: realizzare uno studio esplorativo completo e proporre una strategia di modellazione
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: realizzare uno studio esplorativo completo e proporre una strategia di modellazione
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
24,90 € IVA esclusa
89,70 €
76,90 IVA esclusa
Risparmio : 12,80 €
Protocollo di sperimentazione supervisionata
Costruire un protocollo sperimentale affidabile e scegliere una famiglia di modelli adatta alla decisione da supportare.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Conoscere i fondamenti introdotti nei primi corsi del percorso o avere un'esperienza pratica equivalente.
- Costruire un protocollo sperimentale riproducibile: dati, trasformazioni, baseline, metriche e registro degli esperimenti
- Confrontare famiglie di modelli interpretabili e non lineari senza confondere complessità e prestazione utile
- Comprendere il ruolo della regolarizzazione L1/L2 per controllare la complessità di un modello
- Confrontare un modello semplice e uno complesso su uno stesso caso di business concreto
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: confrontare un modello semplice e uno complesso su uno stesso caso di business concreto
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
29,90 € IVA esclusa
Accesso ai dati e gestione degli squilibri
Selezionare una strategia di modellazione adatta ai vincoli del progetto, accedere ai dati di origine e gestire gli squilibri tra classi.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Conoscere i fondamenti introdotti nei primi corsi del percorso o avere un'esperienza pratica equivalente.
- Selezionare una strategia di modellazione in base a volume, non linearità, interpretabilità, latenza e costo di manutenzione
- Scegliere metriche, curve e soglie decisionali in base al costo di falsi positivi, falsi negativi e astensioni
- Sovracampionare e sottocampionare senza introdurre leakage, con SMOTE e le sue alternative
- Documentare provenienza e aggiornamento dei dati utilizzati (data lineage)
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: documentare provenienza e aggiornamento dei dati utilizzati (data lineage)
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
29,90 € IVA esclusa
Validazione e selezione del modello
Costruire una validazione robusta, organizzare la ricerca degli iperparametri e selezionare un modello finale in modo difendibile.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Conoscere i fondamenti introdotti nei primi corsi del percorso o avere un'esperienza pratica equivalente.
- Costruire una validazione adatta: holdout, convalida incrociata, gruppi, tempo e dipendenze tra osservazioni
- Confrontare i candidati con un protocollo identico e documentare perché un modello più semplice può essere preferibile
- Misurare la stabilità di un modello tramite ricampionamento (bootstrap)
- Laboratorio professionale: condurre una sperimentazione di scoring, confrontare più famiglie di modelli e difendere la scelta finale
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: condurre una sperimentazione di scoring, confrontare più famiglie di modelli e difendere la scelta finale
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
29,90 € IVA esclusa
104,70 €
89,90 IVA esclusa
Risparmio : 14,80 €
Feature engineering e introduzione al deep learning
Progettare rappresentazioni pertinenti dei dati e porre le basi del deep learning rispetto al ML classico.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Conoscere i fondamenti introdotti nei primi corsi del percorso o avere un'esperienza pratica equivalente.
- Progettare variabili pertinenti a partire dalla conoscenza del business senza introdurre leakage
- Costruire una segmentazione con K-means e valutarne la stabilità
- Selezionare variabili con metodi di filtraggio, wrapper ed embedded
- Addestrare una piccola rete neurale con un framework moderno e diagnosticarne la convergenza
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: addestrare una piccola rete neurale con un framework moderno e diagnosticarne la convergenza
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
34,90 € IVA esclusa
Serie temporali e dati testuali
Trattare dati temporali e testuali con i metodi e le validazioni che sono loro propri.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Analizzare serie temporali: tendenza, stagionalità, autocorrelazione e rotture
- Stabilire una baseline di previsione e confrontare modelli semplici prima di quelli complessi
- Gestire più serie temporali contemporaneamente con una previsione multi-serie o gerarchica
- Costruire una pipeline di classificazione del testo end-to-end su un caso di business
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: costruire una pipeline di classificazione del testo end-to-end su un caso di business
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
34,90 € IVA esclusa
Rappresentazioni semantiche, anomalie e causalità
Mettere in pratica embedding e rilevamento delle anomalie, e distinguere previsione e causalità per orientare una decisione di intervento.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Comprendere gli embedding e la loro utilità per la similarità e la rappresentazione semantica
- Costruire una strategia di errore: casi limite, falsi positivi, falsi negativi e astensione
- Rilevare anomalie con un autoencoder semplice
- Laboratorio professionale: combinare segmentazione, previsione e analisi temporale su un caso cliente
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: combinare segmentazione, previsione e analisi temporale su un caso cliente
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
34,90 € IVA esclusa
119,70 €
101,90 IVA esclusa
Risparmio : 17,80 €
Ingegneria del software e riproducibilità ML
Strutturare un progetto di Machine Learning in codice testabile, versionato e tracciabile.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Strutturare il codice di un progetto ML in moduli testabili e riproducibili
- Costruire una pipeline di addestramento automatizzata e rilanciabile
- Implementare un'integrazione continua per un progetto di Machine Learning
- Rivedere il codice di un collega e fornire un feedback costruttivo su una pipeline ML
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: rivedere il codice di un collega e fornire un feedback costruttivo su una pipeline ML
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
39,90 € IVA esclusa
Affidabilità dei dati, spiegabilità ed equità
Prevenire gli scostamenti tra addestramento e produzione, spiegare i modelli e valutarne l'equità.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Convalidare gli schemi, prevenire il train-serve skew e comprendere il ruolo di un feature store
- Valutare bias e prestazioni per sottopopolazioni pertinenti
- Confrontare spiegazioni locali di tipo LIME e SHAP su uno stesso caso e interpretare le divergenze
- Progettare test di non regressione per la qualità e l'equità di un modello
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: progettare test di non regressione per la qualità e l'equità di un modello
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
39,90 € IVA esclusa
Distribuzione e ciclo di vita del modello
Distribuire un servizio di scoring e garantirne il monitoraggio e il ciclo di vita in produzione.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Containerizzare o pacchettizzare un servizio di scoring riproducibile
- Definire regole di riaddestramento, rollback e validazione prima della promozione
- Costruire avvisi azionabili anziché una dashboard passiva
- Laboratorio professionale: industrializzare un modello dalla sperimentazione fino al monitoraggio
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: industrializzare un modello dalla sperimentazione fino al monitoraggio
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
39,90 € IVA esclusa
135,00 €
114,90 IVA esclusa
Risparmio : 20,10 €
Inquadramento strategico e valore di business
Decidere se un problema giustifica il Machine Learning e costruire il valore di business di un prodotto di Data Science.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Determinare se un problema giustifica davvero il Machine Learning
- Scegliere tra automazione completa, raccomandazione assistita e human in the loop
- Stimare il costo totale di possesso di un prodotto di Machine Learning
- Anticipare gli scenari di fallimento di un progetto ML e le loro conseguenze
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: anticipare gli scenari di fallimento di un progetto ML e le loro conseguenze
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
45,00 € IVA esclusa
Governance, etica e documentazione
Governare dati e modelli, regolare i rischi etici e documentare conformità, limiti e usi autorizzati.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Costruire un protocollo di sperimentazione in produzione e di confronto con la situazione attuale
- Documentare un modello: ambito, dati, prestazioni, limiti, usi vietati e dipendenze
- Anonimizzare o pseudonimizzare dati sensibili senza distruggerne il valore predittivo
- Redigere una carta per l'uso responsabile dell'IA per un team di Data Science
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: redigere una carta per l'uso responsabile dell'IA per un team di Data Science
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
45,00 € IVA esclusa
Continuità, IA generativa e restituzione
Garantire la continuità di un prodotto ML, integrare con criterio i modelli di fondazione e restituire il proprio lavoro.
Informazioni sulla formazione
Professionisti dei dati, analisti, sviluppatori e profili tecnici che desiderano condurre progetti di Data Science dall'esplorazione fino alla valutazione, alla distribuzione e al monitoraggio dei modelli.
Padroneggiare i fondamenti del percorso o disporre di un'esperienza equivalente. I corsi avanzati riprendono i metodi, gli strumenti e i controlli studiati in precedenza.
- Progettare un piano di continuità: guasto del modello, fallback, arresto e ripresa
- Costruire un portfolio di progetto ML con prova di metodo, valutazione e impatto
- Proteggere l'uso di un modello di fondazione dalle prompt injection e dalle fughe di dati
- Progetto finale: progettare, consegnare e difendere un prodotto ML completo con dossier di messa in produzione
- Applicare i metodi e gli strumenti del corso a una situazione professionale rappresentativa.
- Produrre un risultato utilizzabile e verificabile mettendo in pratica i concetti studiati: progettare, consegnare e difendere un prodotto ML completo con dossier di messa in produzione
- Controllare la qualità di dati, risultati, prove o decisioni prima della restituzione o dell'attuazione.
- Documentare l'approccio, spiegare i limiti e difendere le scelte effettuate davanti a un interlocutore professionale.
da 3 a 5 h
45,00 € IVA esclusa