GIO’S DATA SCIENCE

Gio’s Data Science è un sito personale, pensato come complemento al mio Curriculum Vitae.

Mi occupo di Data Science e sviluppo software principalmente in Python. Nel corso degli anni ho avuto varie esperienze e differenti percorsi di formazione:

  • Studi in materie umanistiche e lavori nel settore dell’informazione
  • Laurea magistrale in Banca e Finanza, indirizzo Finanza Quantitativa: un percorso spiccatamente matematico-statistico che fa uso di programmazione informatica per simulare scenari o eseguire calcoli
  • Studio dell’informatica: una passione da un quarto di secolo, nel corso degli anni mi sono specializzato sul lavoro, sviluppando progetti personali e aggiornandomi in vari modi con manuali, corsi e certificazioni.
    Attualmente sto seguendo un percorso universitario in Computer Science.

 

In queste pagine presento alcune attività che ho svolto nel corso degli anni: side projects, attività formative, percorso di studi.

Nel mio bagaglio di conoscenze e interessi ci sono da una parte la programmazione, dall’altra una comprensione approfondita del funzionamento dei mercati finanziari e della gestione del rischio finanziario.

Come Data Scientist e programmatore mi focalizzo sull’estrazione di significato dai dati grezzi, in modo che l’informazione sia utile per rispondere a quesiti, automatizzare compiti ripetitivi, realizzare predizioni e ottimizzare processi.

Si tratta di attività artigianali che richiedono la risoluzione di problemi sempre nuovi e differenti scavando nella documentazione, affinando algoritmi e trovando nuove modalità per superare i continui ostacoli che si frappondono fra il dato e l’obiettivo. I risultati possono portare un grande valore aggiunto in campi come la finanza, l’industria, il marketing o in tantissimi altri settori in cui si può far leva su informazione e calcolo.

 

Le attività tipiche sono le seguenti:

  • Estrazione dei dati
    • reperimento dei dati da diverse fonti. Ricerca dei dataset, download tramite API Rest di una grande varietà di informazioni, Web scraping
    • pulizia e trasformazione dei dati. I dati possono avere dei “buchi”, non esssere inizialmente leggibili o avere formati incompatibili – ad esempio dati binari su sistemi legacy con codifiche particolari
  • Manipolazione dei dati a seconda della loro tipologia, ad esempio:
    • SQL o varie librerie Python per organizzare, salvare, separare informazione e rumore
    • Funzioni trigonometriche e analisi matematiche possono far cogliere l’andamento periodico di serie temporali
    • Specifici algoritmi permettono di cogliere le relazioni in serie temporali con andamento simile
    • Gestione di dati di grandi dimensioni – matrici sparse, parallelizzazione
    • GIS: quali punti di interesse, su una mappa, si trovano all’interno di altre aree di interesse, entro un certo raggio?
  • Utilizzo di algoritmi predittivi, Machine Learning, Artificial Intelligence
    • Clustering, Supervised learning, classificazione, analisi di testo, serie storiche
    • ScikitLearn
    • Keras
    • Tensorflow
  • Analisi delle variabili esplicative
    • quanto contribuisce ciascun fattore ad un certo risultato?
  • Ottimizzazione
    • Dato un certo processo che consuma un certo tipo di risorse, quale mix di input conviene utilizzare – in dipendenza da un contesto mutevole – per ottenere i migliori risultati in termini economici o di performance?
    • Scipy
    • Tensorflow
  • Simulazioni
    • Modellazione di un problema ed esplorazione dei diversi scenari, tramite l’esecuzione esaustiva di tutte le combinazioni, oppure con il metodo Montecarlo
  • Presentazione e interazione
    • Grafici
    • Applicazioni eseguibili
    • Web app
  • Programmazione: altre attività automatizzabili, scrittura di programmi