In: Data Science & Machine Learning

I modelli di Machine Learning descrittivi (non supervisionati) sono caratterizzati dal non avere una variabile da prevedere (la «risposta» del modello), come invece avviene in tutti i modelli di ML predittivo. Essi si limitano a cercare informazioni nel dataset. Ad esempio: c’è un modo chiaro per visualizzare i dati? ci sono dei sottogruppi tra le variabili o tra le osservazioni del dataset? Il Machine Learning descrittivo è costituito da un insieme di tecniche ed algoritmi molto diversificato, per rispondere a domande come le precedenti.
A differenza del ML predittivo, ogni valutazione dell’accuratezza dei modelli di ML descrittivo è pertanto soggettiva. Il ML descrittivo è spesso un passo importante dell’Analisi esplorativa dei dati. Nonostante questi limiti, il ML descrittivo è di crescente importanza per le aziende, con molti casi d’uso interessanti. I modelli descrittivi e predittivi, inoltre, possono agire sinergicamente.

I contenuti del corso sono i seguenti:

• Esempi noti di ML descrittivo: Google News e Google Trend Analysis
• Clustering e dendogrammi
• Algoritmo k-means
• Clustering gerarchico
• Clustering dei clienti
• Problemi pratici nel clustering
• Misure di somiglianza e differenza
• Associazioni
• Regole di associazione
• Motori di raccomandazione
• Profiling, Link Prediction, Similarity Matching (cenni)
• K-means nel Text Mining
• Time-series Analysis (cenni)
• La stima della densità
• La multicollinearità
• Riduzione variabili / PCA
• Valutazione del modello
• Market Basket Analysis: quali prodotti vendono bene insieme
• Scoring dei clienti in base ai loro acquisti
• Sinergia di modelli ML descrittivi e predittivi

Durata

• 7 ore

Prerequisiti

Il corso introduttivo sulla Data Science.