- Acquisire familiarità con l’ecosistema Python per l’analisi dei dati (NumPy, pandas, Matplotlib, Seaborn).
- Saper importare, pulire, trasformare e preparare dataset reali per l’analisi.
- Effettuare analisi statistiche di base e calcolare indicatori sintetici e KPI.
- Creare visualizzazioni efficaci per esplorare, comunicare e interpretare i dati.

- Analisti e professionisti che desiderano introdursi all’analisi dei dati con Python. [br] - Tecnici, sviluppatori e operatori IT che vogliono acquisire competenze pratiche su strumenti moderni di data analysis. [br] - Laureandi e neolaureati interessati a consolidare competenze operative su dataset reali. [br] - Project manager, consulenti e figure business che necessitano di comprendere e interpretare dati in autonomia. [br] - Chiunque voglia apprendere un approccio strutturato all’analisi e visualizzazione dei dati, anche senza una forte esperienza previa in programmazione.[br]

GIORNO 1
1. Introduzione e contesto d’uso
• Python nel mondo dell'analisi dei dati
• Ecosistema per l’analisi dati: NumPy, pandas, Matplotlib, Seaborn
• Esempi pratici di applicazione

2. Ripasso rapido di Python per la Data Analysis
• Tipi di dato e strutture fondamentali (liste, dizionari, tuple, set)
• Gestione dei file: CSV, Excel, JSON
• Introduzione a Jupyter Notebook e Google Colaboratory

3. NumPy – Calcolo numerico
• Creazione e manipolazione di array
• Funzioni statistiche e matematiche di base

4. Pandas – Analisi e manipolazione dei dati
• Strutture Series e DataFrame
• Importazione/esportazione di dati (CSV, Excel, SQL)
• Pulizia dati: gestione dei null, outlier, tipi di dato
• Filtri, ordinamenti, raggruppamenti e aggregazioni
• Pivot table e trasformazioni
• Esercitazione: analisi di dataset reali

5. Esercitazione integrata con mini-progetto:
• Import di un dataset reale
• Pulizia e preparazione dei dati
• Calcolo di indicatori sintetici e KPI
• Riepilogo e discussione dei risultati

GIORNO 2
1. Visualizzazione con Matplotlib
• Grafici base (line, bar, scatter, histogram)
• Personalizzazione: colori, assi, etichette, annotazioni
• Layout multipli e sottografi
• Esercitazione: analisi di distribuzioni e andamenti

2. Visualizzazione con Seaborn
• Grafici statistici ad alto livello
• Relazioni e correlazioni (pairplot, heatmap, boxplot, ecc.)
• Personalizzazione dello stile e palette
• Esercitazione: confronto tra variabili chiave

3. Pandas e visualizzazione integrata
• Grafici rapidi direttamente da DataFrame
• Combinazione di analisi numerica e grafica
• Esercitazione: costruzione di dashboard in notebook

4. Caso pratico finale
• Progetto di gruppo o individuale