Data science. Guida ai principi e alle tecniche base della scienza dei dati

Introduzione
	Argomenti trattati in questo libro
	Dotazione software necessaria
	A chi è rivolto questo libro
	Convenzioni utilizzate
	Scarica i file degli esempi
Capitolo 1 - Essere uno scienziato dei dati
	Che cosa si intende per scienza dei dati?
		Terminologia di base
		Perché scienza dei dati?
			Esempio: Sigma Tecnologies
	Il diagramma di Venn e la scienza dei dati
		Matematica
			Esempio: modelli riproduttori/reclute
		Programmazione
		Perché Python?
			Le basi di Python
			Un semplice esempio in Python
			Esempio: parsing di un tweet
		Conoscenza del dominio
	Ancora un po’ di terminologia
	Scienza dei dati: casi di studio
		Caso di studio: automatizzare il flusso dei documenti
			Licenziare tutti?
		Caso di studio: spese di marketing
		Caso di studio: i contenuti di un’offerta di lavoro
	Riepilogo
Capitolo 2 - Tipi di dati
	L’aspetto dei dati
	Perché tutte queste distinzioni?
	Dati strutturati e non strutturati
	Un esempio di pre-elaborazione dei dati
		Conteggio di parole e frasi
		Presenza di specifici caratteri speciali
		Lunghezza relativa del testo
		Individuazione degli argomenti
	Dati quantitativi e qualitativi
		Esempio: caratteristiche delle caffetterie
		Esempio: dati sul consumo di alcol a livello mondiale
		Approfondimenti
	Ricapitolando
	I quattro livelli dei dati
		Il livello nominale
			Operazioni matematiche consentite
			Misurazioni del centro
			L’aspetto dei dati al livello nominale
		Il livello ordinale
			Esempi
			Operazioni matematiche consentite
			Misurazioni del centro
			Riepilogo e verifica
		Il livello degli intervalli
			Esempio
				Controesempio
			Operazioni matematiche consentite
			Misurazioni del centro
			Misurazioni della variabilità
				Deviazione standard
		Il livello dei rapporti
			Esempi
			Misurazioni del centro
			Problemi con il livello dei rapporti
	Dati e presupposti
	Riepilogo
Capitolo 3 - I cinque passi della scienza dei dati
	Introduzione alla scienza dei dati
	Panoramica sui cinque passi
		Porre una domanda interessante
		Ottenere i dati
		Esplorare i dati
		Creare un modello per i dati
		Comunicare e presentare i risultati
	Esplorare i dati
		Domande di base per l’esplorazione dei dati
		Dataset 1: Yelp
			DataFrame
			Series
			Suggerimenti per l’esplorazione di dati qualitativi
				Colonne del livello nominale
				Filtraggio in Pandas
				Colonne del livello ordinale
		Dataset 2: Titanic
	Riepilogo
Capitolo 4 - Basi matematiche
	La matematica come disciplina
	Simboli e terminologia di base
		Vettori e matrici
			Esercizi rapidi
			Risposte
		Simboli aritmetici
			Sommatoria
			Proporzionalità
			Prodotto di vettori
		Grafici
		Logaritmi/esponenti
		Teoria degli insiemi
	Algebra lineare
		Prodotti di matrici
			Come calcolare il prodotto di matrici
	Riepilogo
Capitolo 5 - Impossibile o improbabile: introduzione al calcolo delle probabilità
	Definizioni di base
	Probabilità
	Approccio bayesiano vs. approccio a frequenza
		Approccio a frequenza
			Esempio: statistiche di marketing
			La legge dei grandi numeri
	Eventi composti
	Probabilità condizionale
	Le regole del calcolo delle probabilità
		La regola della somma
		Reciproca esclusività
		La regola del prodotto
		Indipendenza
		Eventi complementari
	Approfondimento
	Riepilogo
Capitolo 6 - Approfondimenti sul calcolo delle probabilità
	Eventi collettivamente esaustivi
	Ancora sulle idee di Bayes
		Il teorema di Bayes
		Altre applicazioni del teorema di Bayes
			Esempio: Titanic
			Esempio: studi medici
	Variabili casuali
		Variabili casuali discrete
			Tipi di variabili casuali discrete
				Variabili casuali binomiali
				Esempio: meeting di fundraising
				Esempio: apertura di un ristorante
				Esempio: gruppo sanguigno
				Variabili casuali geometriche
			Esempio: meteo
				Variabili casuali di Poisson
			Esempio: call center
				Variabili casuali continue
	Riepilogo
Capitolo 7 - Basi di statistica
	Che cos’è la statistica?
	Come si ottengono e campionano i dati?
		Ottenere i dati
			Osservazione
			Sperimentazione
	Campionamento dei dati
		Campionamento a probabilità
		Campionamento casuale
		Campionamento di probabilità diseguali
	Misurazioni statistiche
		Misurazioni del centro
		Misurazioni della variabilità
			Definizione
			Esempio: lo stipendio dei dipendenti
		Misurazioni della posizione relativa
			Il nocciolo della questione: trovare le correlazioni fra i dati
	La regola empirica
		Esempio: risultati agli esami
	Riepilogo
Capitolo 8 - Approfondimenti di statistica
	Stime dei punti
	Distribuzioni di campionamento
	Intervalli di confidenza
	Verifica delle ipotesi
		Condurre un verifica delle ipotesi
		Test t per un campione
			Esempio di un test t per un campione
			Presupposti per i test t per un campione
		Errori di Tipo I e di Tipo II
		Verifica delle ipotesi per variabili categoriche
			Test chi quadrato dell’idoneità
				Presupposti del test chi quadrato dell’idoneità
				Esempio di un test chi quadrato dell’idoneità
			Test chi quadrato dell’associazione/indipendenza
				Presupposti del test chi-quadrato dell'indipendenza
	Riepilogo
Capitolo 9 - Comunicare i dati
	Perché è importante la comunicazione?
	Identificare i metodi di presentazione efficaci e inefficaci
		Grafici a dispersione
		Grafici a linee
		Diagrammi a barre
		Istogrammi
		Grafici box-plot (a scatola e baffi)
	Quando i grafici e le statistiche mentono
		Correlazione oppure causalità?
		Il paradosso di Simpson
		Se la correlazione non implica causalità, allora qual è il suo significato?
	Comunicazione verbale
		Si tratta di raccontare una storia
		Un approccio più formale
	La strategia di presentazione: perché, come e cosa
	Riepilogo
Capitolo 10 - Quando le macchine apprendono: il machine learning
	Che cosa si intende con machine learning?
		Esempio: riconoscimento facciale
	Il machine learning non è perfetto
	Come funziona il machine learning?
	Tipi di machine learning
		Apprendimento con supervisione
			Esempio: previsione di un attacco cardiaco
			Non si tratta solo di fare previsioni
			Tipi di apprendimento con supervisione
				Regressione
				Classificazione
				Esempio: regressione
			L’interpretazione dei dati dipende da chi li osserva
		Apprendimento senza supervisione
			Apprendimento a rafforzamento
			Panoramica sui vari tipi di machine learning
	In tutto questo, che cosa c’entra la modellazione statistica?
	La regressione lineare
		Aggiunta di altri predittori
		Metriche per la regressione
	Regressione logistica
	Probabilità, odds e log-odds
		La matematica della regressione logistica
	Variabili fittizie
	Riepilogo
Capitolo 11 - Le previsioni non crescono sugli alberi… O forse sì?
	Classificazione bayesiana naïve
	Alberi decisionali
		In quale modo un computer costruisce un albero di regressione?
		In quale modo un computer adatta un albero di classificazione?
	Apprendimento senza supervisione
		Quando usare l’apprendimento senza supervisione
	Clustering K-means
		Esempio: punti dei dati
		Esempio: birre!
	Scelta di un valore ottimale per K e convalida dei cluster
		Il coefficiente di silhouette
	Estrazione delle caratteristiche e analisi del componente principale
	Riepilogo
Capitolo 12 - Oltre le basi della scienza dei dati
	Il compromesso tra bias e varianza
		Errori dovuti al bias
		Errori dovuti alla varianza
			Esempio: confronto fra il peso del corpo e il peso del cervello nei mammiferi
		Due casi estremi di compromesso tra bias e varianza
			Underfitting
			Overfitting
		Il ruolo del bias e della varianza nelle funzioni d’errore
	Convalida incrociata k-fold
	Ricerca a griglia
		Confrontare graficamente l’errore di addestramento e di convalida incrociata
	Tecniche d’insieme
		Foreste casuali
		Confronto fra foreste casuali e alberi decisionali
	Reti neurali
		Struttura di base
	Riepilogo
Capitolo 13 - Casi di studio
	Caso di studio 1: predire le quotazioni di mercato sulla base dei social media
		Analisi del sentiment nei testi
		Analisi esplorativa dei dati
			Percorso di regressione
			Percorso di classificazione
		Ulteriori sviluppi
	Caso di studio 2: perché alcune persone mentono sul loro matrimonio?
	Caso di studio 3: uso di tensorflow
		Tensorflow e le reti neurali
	Riepilogo