In: Data Science & Machine Learning

Il corso presenta nozioni fondamentali di Machine Learning Supervisionato e mostra come implementare un flusso di esplorazione dati con Matplotlib, SeaBorn, e Scikit-Learn. Il corso offre inoltre le nozioni fondamentali per la programmazione con Python, Pandas e NumPy.
Tutto il corso è dotato di Notebook Jupyter con esercizi.

I contenuti sono i seguenti:

• Starting with data
  • Introduzione al Machine Learning, Tipologie di ML
  • Python: Le basi e gli esercizi
  • Pandas e Numpy: esercizi
  • Data Visualization in Python con Matplotlib Pyplot: esercizi
  • Imputation: filling missing data; Normalization
  • Feature engineering
  • Esempi con I modelli Titanic and MPG da Kaggle
• Modelli e Previsioni
  • Basi sui modelli; Workflow generale; Supervised and Unsupervised Learning
  • Breve presentazione delle principali tecniche di Machine Learning
  • Problemi di Classificazione
  • Esempi di classificazione in python e scikit
  • Problemi di Regressione
  • Esempi di regressione in python
• Valutazione del Modello e Ottimizzazione
  • Overfitting e ottimismo di modello
  • Tecniche di Cross-validation. K-fold evaluation. Grid Search dei Parametri. Matrici di confusione. ROC, AUC. Analisi dei modelli multivariata.
  • Elementi di valutazione nei modelli di classificazione
  • Elementi di valutazione nei modelli di regressione
  • Esempi di algoritmi Python per Cross Validation e Ottimizzazione. Uso di Scikit learn.
• Reti Neurali
  • Percettrone, Reti Neurali Multi Strato
  • Deep Learning. Uso di Reti Neurali per Classificazione e Regressione.
  • Uso di KERAS Sequential API
  • Reinforcement Learning. Esercizi con Gym AI

Durata

• 28 ore
• 4 giorni

Prerequisiti