Machine learning
- Apprendimento automatico dai dati
- Apprendimento supervisionato e non supervisionato
- Addestramento di algoritmi per classificazione
- Il Perceptron come esempio di classificatore e del relativo apprendimento
- Panoramica su alcuni classificatori particolarmente diffusi: regressione logistica, SVM, alberi di decisione, K-nearest neighbour
- Il task complessivo di addestramento di un predittore
- Regressione lineare
- Pre elaborazione del dataset: valori mancanti, standardizzazione, problemi di bilanciamento, analisi delle features
- Riduzione di dimensionalità
- Valutazione e selezione di modelli. Misure di prestazioni
- Introduzione alle reti neurali e al loro addestramento
- Alcuni esempi di architetture di reti neurali
- Cenni sull'apprendimento non supervisionato: clustering
Nel corso verrà utilizzato Python come linguaggio di riferimento per l’implementazione pratica di algoritmi e modelli di machine learning, affiancato dalla libreria NumPy. I concetti teorici saranno supportati da esempi di codice ed esercitazioni, mentre i principali richiami matematici, algoritmici e di programmazione saranno introdotti o ripresi quando necessari.
|