Corso Statistica per il Machine Learning: formazione pratica con Python
Durata: 3 giorni
Live Online
In presenza
Live Online
In presenza
Formazione Statistica per il Machine Learning
Il corso Statistica per il Machine Learning ti guida passo passo nella costruzione delle basi statistiche e probabilistiche necessarie per lavorare con consapevolezza nel Machine Learning e nell'analisi dei dati. Attraverso un approccio pratico e orientato al codice, imparerai a descrivere e interpretare i dati, ragionare in condizioni di incertezza e applicare gli strumenti dell'inferenza statistica: dalla statistica descrittiva ai test di ipotesi, dalla correlazione alla regressione lineare.
Grazie a 156 esempi pratici in Python, il corso ti permette di passare dalla teoria alla sperimentazione diretta sui dati, costruendo competenze che tornano utili ogni volta che si valuta un modello di Machine Learning o si interpretano i suoi risultati.
Sessioni live interattive
Lezioni in diretta con spazio per domande e confronto.
Approccio pratico
Esercitazioni e casi reali per mettere in pratica ciò che impari.Cosa imparerai
- Descrivere e sintetizzare un dataset con distribuzioni di frequenza, misure di tendenza centrale e di variabilità
- Riconoscere outlier e applicare trasformazioni come standardizzazione (Z-score) e normalizzazione Min-Max
- Applicare le regole fondamentali della probabilità, inclusi il Teorema di Bayes e la Legge dei Grandi Numeri
- Lavorare con le principali distribuzioni di probabilità discrete e continue (Binomiale, Poisson, Normale, Esponenziale e altre)
- Costruire intervalli di confidenza e condurre test di ipotesi su medie e proporzioni
- Interpretare correttamente p-value, errori di Tipo I e II, potenza statistica ed Effect Size
- Studiare le relazioni tra variabili con covarianza, correlazione, regressione lineare e ANOVA
- Applicare ogni concetto direttamente in Python, con librerie come NumPy, SciPy, Pandas e Matplotlib
Vuoi arrivare al Machine Learning applicato? Questo corso costruisce le basi statistiche. Se vuoi anche costruire e addestrare modelli, scopri il Corso Machine Learning.
I vantaggi della formazione Nexsys
Trainer esperti ecertificati
Formatori con esperienza concreta in ambito aziendale.
Contenuti sempre aggiornati
Materiale sempre in linea con le novità del settore.
Open Badge digitale
Un certificato digitale, verificabile e condivisibile online.
Esercitazioni guidate
Attività pratiche con il supporto diretto del docente.
Registrazioni disponibili
Rivedi le lezioni quando vuoi per 3 mesi.
Supporto post-corso
Assistenza anche dopo la fine del corso, per chiarimenti e approfondimenti.Personalizza la tua formazione
Il corso può essere riprogettato su misura delle esigenze formative della tua azienda o di un gruppo di lavoro. Contenuti, durata e modalità sono personalizzabili per garantire coerenza con i tuoi obiettivi, tempi e budget.
Programma del Corso
PARTE 1: Statistica descrittiva
Modulo 1: La natura della probabilità e della statistica
- La natura della statistica, statistica descrittiva, statistica inferenziale
- Dati della popolazione e dati del campione
- Tecniche di campionamento: casuale semplice, sistematico, stratificato
Modulo 2: Distribuzioni dei dati e grafici
- Variabili qualitative e quantitative
- Distribuzione di frequenza, cumulativa, categoriale, raggruppata
- Distribuzione empirica dei dati e sua rappresentazione grafica (grafico a barre, istogramma, poligono di frequenza, curva KDE)
Modulo 3: Misure di tendenza centrale, forma e variabilità
- Media, media pesata, media troncata, mediana, moda
- Forma della distribuzione: modalità, simmetria, asimmetria
- Range, varianza, deviazione standard, coefficiente di variazione
- Teorema di Chebyshev e regola empirica
Modulo 4: Misure di posizione e trasformazione delle variabili
- Percentili, quartili, intervallo interquartile (IQR), Five-Number Summary
- Identificazione degli outlier e boxplot
- Standardizzazione (Z-score), normalizzazione min-max, trasformazione logaritmica, radice quadrata, reciproca
PARTE 2: Probabilità, variabili casuali e distribuzioni campionarie
Modulo 5: Probabilità
- Esperimento, evento, esito, spazio campionario
- Relazioni tra eventi: complemento, intersezione, unione, mutua esclusività
- Interpretazioni della probabilità: classica, empirica, soggettiva (bayesiana)
- Regole di addizione, moltiplicazione, probabilità condizionata, teorema di Bayes, legge dei grandi numeri
- Odds "a favore" e "contro"
Modulo 6: Regole di conteggio
- Regola fondamentale del conteggio
- Permutazioni (semplici, parziali, con ripetizioni) e combinazioni
Modulo 7: Distribuzioni di probabilità discrete
- Variabili casuali discrete, funzione di massa di probabilità (PMF)
- Distribuzione uniforme discreta, bernoulli, binomiale, geometrica, poisson
Modulo 8: Distribuzioni di probabilità continue
- Funzione di Densità di Probabilità (PDF) e Funzione di Distribuzione Cumulativa (CDF)
- Distribuzione uniforme continua, normale, esponenziale
- Distribuzione campionaria della media, t di Student, chi-quadrato, F di Fisher
PARTE 3: Statistica inferenziale
Modulo 9: Stima statistica e intervalli di confidenza
- Parametri e statistiche, bias, varianza dello stimatore, errore standard
- Intervalli di confidenza per la media (sigma nota e sconosciuta) e per una proporzione
Modulo 10: Test di ipotesi
- Ipotesi nulla e alternativa, errori di tipo I e tipo II
- Z-Test e T-Test per una media, test di ipotesi per una proporzione
- Confronto tra due medie (Z-test, t-Test Pooled/Nonpooled, U-Test di Mann-Whitney, campioni accoppiati)
- Test di ipotesi per due proporzioni
Modulo 11: Potenza statistica ed Effect Size
- Calcolo delle probabilità per l'errore di tipo II
- Potenza statistica e fattori che la influenzano
- Cohen's d e interpretazione della dimensione dell'effetto
PARTE 4: Regressione, correlazione e ANOVA
Modulo 12: Covarianza e correlazione lineare
- Covarianza della popolazione e campionaria, matrice di covarianza
- Coefficiente di correlazione lineare di Pearson, limiti e corretto utilizzo
Modulo 13: Regressione lineare
- Metodo dei minimi quadrati, interpretazione geometrica
- Outlier, osservazioni influenti, assunzioni del modello, diagnostica dei residui
- Coefficiente di determinazione (r²)
Modulo 14: Analisi della varianza (ANOVA)
- Assunzioni dell'ANOVA, confronto con il t-test
- Variabilità entro e tra i gruppi, statistica F, interpretazione dei risultati
Requisiti
- Conoscenza base di un linguaggio di programmazione (non è richiesto Python)
- Preparazione matematica da liceo scientifico o istituto tecnico (concetto di funzione, derivata e integrale)
Prezzo per formazione dedicata online
€ 1400 + IVA a partecipante
A chi è rivolto
- Data Analyst e Data Scientist
- Sviluppatori software che vogliono avvicinarsi al Machine Learning
- Professionisti che si occupano di Business Intelligence
- Chi lavora con l'analisi dei dati e vuole basi statistiche più solide
Open Badge digitale
Con i nostri corsi non ricevi un semplice attestato in PDF, ma un badge digitale riconosciuto a livello internazionale, conforme allo standard Open Badge. È verificabile, condivisibile su LinkedIn e integrabile nel tuo CV.
FAQ Corso Statistica per il Machine Learning
Serve già conoscere Python per seguire il corso?
No. È sufficiente conoscere un linguaggio di programmazione qualsiasi. Il corso introduce Python come strumento di calcolo, non richiede esperienza pregressa con questo linguaggio.
Che livello di matematica serve per seguire il corso?
Una preparazione da liceo scientifico o istituto tecnico è sufficiente: dovresti avere familiarità (anche solo concettuale) con funzioni, derivate e integrali. Non serve una laurea scientifica.
Il corso è utile anche se non lavoro direttamente nel Machine Learning?
Sì. Le basi di statistica e probabilità sono trasversali a chiunque lavori con i dati: analisi, reportistica, Business Intelligence, oltre che Machine Learning.
È possibile seguire il corso lavorando o sono previste modalità flessibili?
Sì. Le sessioni live garantiscono il confronto diretto con il trainer, ma l'intera formazione viene registrata: avrai accesso ai video per 3 mesi.
Qual è la differenza tra questo corso e il Corso Machine Learning?
Questo corso costruisce le basi statistiche e probabilistiche necessarie per capire come funzionano i modelli di Machine Learning: distribuzioni, test di ipotesi, correlazione, regressione. Il Corso Machine Learning, invece, si concentra sulla costruzione e l'addestramento vero e proprio dei modelli. Se hai già basi solide di statistica, puoi partire direttamente dal Corso Machine Learning; se vuoi consolidarle prima, questo corso è il punto di partenza ideale.
Corsi correlati
Corso Microsoft Power BI PL-300 per Data Analyst
Corso Machine Learning
Corso Python: livello base ed avanzato
Preferisci compilare il modulo? Scrivi i tuoi dati qui sotto
Il servizio telefonico è attivo dal lunedì al venerdì dalle 8:00 alle 18:00 al numero 0452456669. Puoi anche compilare il modulo sottostante:
