Guida pratica al feature engineering in Python: trasformazioni numeriche, encoding categorico con TargetEncoder e OneHotEncoder, feature temporali e pipeline professionali con scikit-learn 1.8 e Feature-engine. Include progetto end-to-end.
Costruisci da zero una pipeline ETL completa in Python con pandas 3.0, SQLAlchemy 2.x e Pandera. Estrazione multi-sorgente, trasformazione dati, validazione e caricamento con codice pronto per la produzione.
Una guida pratica al machine learning con scikit-learn 1.8: dalle pipeline alla validazione incrociata, dal tuning degli iperparametri al confronto tra algoritmi. Con esempi di codice Python pronti all'uso.
Guida pratica alla visualizzazione dati in Python: da Matplotlib e Seaborn a Plotly, con esempi di codice, dashboard interattivi con Dash e Streamlit, e le best practices per grafici professionali.
Dalla gestione dei valori mancanti alla costruzione di pipeline automatizzate con pipe() e PyJanitor: tutto quello che serve per pulire i dati in Python, con esempi pratici e un progetto e-commerce end-to-end.
Guida pratica all'analisi delle serie temporali in Python: da pandas e matplotlib ai modelli ARIMA/SARIMAX, fino al forecasting su larga scala con StatsForecast e NeuralForecast. Con progetto end-to-end incluso.
Scegli la tua lingua preferita per esplorare i nostri contenuti