Leonardo Camiciotti parla di Big Data e Big Dive all'evento Big Data per la Social & Business Innovation organizzato da Startup Saturday Europe il 13 Dicembre 2014 a Firenze.
Leonardo Camiciotti parla di Big Data e Big Dive all'evento Big Data per la Social & Business Innovation organizzato da Startup Saturday Europe il 13 Dicembre 2014 a Firenze.
Big Data e Business Intelligence. Intervento del Prof. Pozzan nell'ambito dell'open day organizzato dalla Fondazione ITS Kennedy di Pordenone, evento del 13 settembre 2014 in cui sono stati presentati i temi per i corsi in partenza a novembre 2014.
I social media sono un'importante fonte d'informazioni sui bisogni, le opinioni e le esigenze dei clienti: come analizzare il sentiment grazie ai Big Data?
2 Sessione - Macchine virtuali per la scalabilità di calcolo per velocizzare ...Jürgen Ambrosi
La Fondazione CRUI e Microsoft organizzano un ciclo di webinar nell'ambito dell’Accordo Quadro Education Transformation Agreement. L’iniziativa si prefigge lo scopo di approcciare temi specifici della ricerca attraverso le tecnologie Microsoft più avanzate già a disposizione delle Università e degli Enti di Ricerca aderenti l’Accordo.
In questo secondo appuntamento verrà spiegato come la piattaforma Cloud Microsoft Azure può venire incontro all'esigenza di scalabilità, abbattendo i costi e abbassando i tempi di esecuzione nel mondo del calcolo parallelo. Nella sessione verranno utilizzati strumenti presenti nel cloud e software più comuni nell'ambito della ricerca
7° Sessione - L’intelligenza artificiale a supporto della ricerca, servizi di...Jürgen Ambrosi
In questo ultimo appuntamento del ciclo dei webinar vedremo i servizi cognitivi, la costruzione di bot intelligenti (con demo pratica) e una overview dei servizi di deep learning di Microsoft (CNTK e Data Science VM)
LA BIBLIOTECA APERTA. Tecniche e strategie di condivisione
16-17 marzo 2017 Fondazione Stelline di Milano
Le biblioteche accademiche e di ricerca di fronte alle sfide della open science. Giovedì 16 marzo, ore 14,30 (Sala Leonardo)
Gestire i dati di ricerca: nuove prospettive di collaborazione e integrazione
Big Data e Business Intelligence. Intervento del Prof. Pozzan nell'ambito dell'open day organizzato dalla Fondazione ITS Kennedy di Pordenone, evento del 13 settembre 2014 in cui sono stati presentati i temi per i corsi in partenza a novembre 2014.
I social media sono un'importante fonte d'informazioni sui bisogni, le opinioni e le esigenze dei clienti: come analizzare il sentiment grazie ai Big Data?
2 Sessione - Macchine virtuali per la scalabilità di calcolo per velocizzare ...Jürgen Ambrosi
La Fondazione CRUI e Microsoft organizzano un ciclo di webinar nell'ambito dell’Accordo Quadro Education Transformation Agreement. L’iniziativa si prefigge lo scopo di approcciare temi specifici della ricerca attraverso le tecnologie Microsoft più avanzate già a disposizione delle Università e degli Enti di Ricerca aderenti l’Accordo.
In questo secondo appuntamento verrà spiegato come la piattaforma Cloud Microsoft Azure può venire incontro all'esigenza di scalabilità, abbattendo i costi e abbassando i tempi di esecuzione nel mondo del calcolo parallelo. Nella sessione verranno utilizzati strumenti presenti nel cloud e software più comuni nell'ambito della ricerca
7° Sessione - L’intelligenza artificiale a supporto della ricerca, servizi di...Jürgen Ambrosi
In questo ultimo appuntamento del ciclo dei webinar vedremo i servizi cognitivi, la costruzione di bot intelligenti (con demo pratica) e una overview dei servizi di deep learning di Microsoft (CNTK e Data Science VM)
LA BIBLIOTECA APERTA. Tecniche e strategie di condivisione
16-17 marzo 2017 Fondazione Stelline di Milano
Le biblioteche accademiche e di ricerca di fronte alle sfide della open science. Giovedì 16 marzo, ore 14,30 (Sala Leonardo)
Gestire i dati di ricerca: nuove prospettive di collaborazione e integrazione
1. Corso Data Journalist gen-mar 2017
PYTHON ADVANCED
Classi e oggetti
Una visione d’insieme
2. Oggetti built-in
Non iterable Iterable
int
float
N1=10
F1=10.2
Attributi
N1.denominator
N1.numerator
N1.imag
N1.real
Attributi
F1.imag
F1.real
Funzioni
F1.hex()
F1.fromhex()
str S1='Bologna' S1[2]
Slicing
list L1=['A','B','C'] L1[2]
tupla T1=('A','B','C') T1[2]
set T1={'A','B','C'}
dict D1={'A':10,
'B':20,'C':30}
D1['A']
Attributi
Nessuno
Nessuno
Nessuno
Nessuno
Nessuno
Funzioni
Spec.
Spec.
Spec.
Spec.
Spec.
3. Oggetti custom: definizione di una classe
class AnnualTS:
'''La Classe AnnualTS serve ad istanziare un oggetto
per la gestione/descrizione di una serie storica
annuale.
'''
def __init__(BASE, START, END, DATA):
BASE.LYEAR = [I for I in range(START,END+1)]
BASE.DATA = DATA
BASE.TS= dict(zip(BASE.LYEAR,BASE.DATA))
def __str__(BASE):
STR=""
for YEAR in BASE.LYEAR:
STR=STR+'Anno {0}: {1} n'.format(
YEAR,BASE.TS[YEAR])
return STR
def Max(BASE):
''' Metodo per calcolare il massimo
di una serie storica
'''
MAX=0
for YEAR in BASE.LYEAR:
if BASE.TS[YEAR]>MAX:
MAX=BASE.TS[YEAR]
return MAX
Attributi Metodi
4. Oggetti custom: istanza di una classe
TS1=AnnualTS(2000, 2005, [22,33,42,34,28,33])
Attributi
TS1.LYEAR
TS1.DATA
YS1.TS
Metodi
TS1.Max()
-------
TS1.__init__()
TS1.__str__()
5. Oggetti custom inseriti in oggetti built-in iterable -1
TS1=AnnualTS(2000, 2005, [22,33,42,34,28,33])
TS2=AnnualTS(2005, 2010, [122,133,142,134,128,133])
L1=[TS1,TS2]
Dati 2 oggetti custom
E’ possibile inserirli in una lista
La sintassi per calcolare il massimo della prima serie è:
L1[0].Max()
6. Oggetti custom inseriti in oggetti built-in iterable -2
TS1=AnnualTS(2000, 2005, [22,33,42,34,28,33])
TS2=AnnualTS(2005, 2010, [122,133,142,134,128,133])
D1={'A':TS1,'B':TS2}
Dati 2 oggetti custom
E’ possibile inserirli in un dizionario
La sintassi per calcolare il massimo della prima serie è:
D1['A'].Max()
7. Oggetti custom inseriti in oggetti built-in iterable -3
S1=pandas.Series([22,33,42,34,28,33])
S2=pandas.Series([122,133,142,134,128,133])
L1=[S1,S2]
Dati 2 oggetti Series di pandas
E’ possibile inserirli in una lista
La sintassi per calcolare il massimo
della prima serie è:
L1[0].max()
La sintassi per estrarre il terzo valore
della prima serie è:
L1[0].values[2]
8. Oggetti custom inseriti in oggetti built-in iterable -4
import matplotlib.pyplot as plt
PL1=S1.plot()
plt.show()
Il metodo plot di pandas restituisce un oggetto matplotlib.axes.AxesSubplot
La sintassi per estratte dall'oggetto PL1, il testo della label del 4 tick dell'asse
x, è
PL1 .xaxis .get_ticklabels() [3] .get_text()
attributo oggetto
list oggetto
str
metodo metodo
9. Oggetti custom inseriti in oggetti built-in iterable -5
DF=pandas.DataFrame({'V1':[2,3,2,3,3],'V2':[4,5,4,8,5]})
PL1=DF.plot()
plt.show()
Il metodo plot di pandas restituisce un oggetto matplotlib.axes.AxesSubplot
La sintassi per estratte dall'oggetto PL1, il testo che descrive la seconda
componente della legenda, è
PL1 .get_legend() .get_texts() [1] .get_text()
oggetto
list oggetto
str
metodo metodometodo