The course is an introduction to the basic toolkit of data analysis and machine learning using the Python programming language. Covered topics include: basics of digital image processing (8 hours); regression (6 hours); classification with discriminative and generative models (16 hours); optimization (8 hours); bias/variance (6 hours); regularization (5 hours); clustering (3 hours); dimensionality reduction (3 hours); introduction to neural networks (5 hours).
The lab part of the course introduces: the basics of Python (5 hours); Numpy (5 hours); data structures and Pandas (5 hours); plotting (5 hours); Scikit-learn (5 hours); and sample programming of machine learning models from the course (5 hours).

- Bertsimas, O'Hair, Pulleyblank. The Analytics Edge. From the editor or on Amazon.
- Christopher M. Bishop, 2006. Pattern Recognition and Machine Learning
- Richard Szeliski, 2010. Computer Vision: Algorithms and Applications (available at: http://szeliski.org/Book)

Parte I
Introduzione al linguaggio Python. Tipi di dato base (liste,tuple, numeri, stringhe). Input dall'utente. Conversione di tipi. Iterazioni su liste.
Espressioni booleane e condizionali. Operatori logici. Definizione e utilizzo di funzioni. Slicing di liste, list comprehension e funzione zip(). Introduzione ai notebook Jupyter.

Parte II
Introduzione a Numpy. Differenze tra array Numpy e liste standard. Creazione e inizializzazione di array. Definizione del tipo di array e attributi. Accesso alle posizioni degli array,
array slicing. Array multidimensionali e relativo accesso/slicing. Operazioni su array: reshape, concatenation, splitting. Vettorizzazione e ufuncs. Ufuncs come funzioni o operatori.
Specifica dell'output delle ufuncs. Aggregazione con reduce(). Funzioni di aggregazione: max, min, mean, etc. Broadcasting. Comparazioni, array booleani, maschere. Fancy indexing. Structured arrays.

Parte III
Introduzione a Pandas. Introduzione agli oggetti di Pandas: Series, Dataframes e Index. Selezione dei dati e indexing. Operazioni in Pandas: ufuncs in Series e Dataframes. Hierarchical indexing.
Multiindex e slicing con multiindex. Unire datasets: concat, append, merge. Join uno a uno, uno a molti, molti a molti. Specifica della chiave di merging.

Parte IV
Introduzione al Machine Learning. Differenza tra apprendimento supervisionato, non supervisionato e semi-supervisionato. Differenza tra classificazione e regressione. Introduzione a Scikit-Learn e come
utilizzarlo. Iperparametri e validazione del modello. Cross validation. Leave one out validation. Overfitting. Introduzione ai classificatori noti: Naïve Bayes, Linear Regression, Support Vector Machine.

Python Data Science Handbook, Jake VanderPlas