In: Data Science & Machine Learning

Il corso tratta argomenti avanzati di Machine Learning ed offre fondamenti di Machine Learning Non Supervisionato (Problemi di Clustering e Riduzione Dimensionale), mostrando l’utilizzo di SciKit Learn per la sua applicazione.
Tutto il corso è dotato di Notebook Jupyter con esercizi.

I contenuti sono i seguenti:

• Introduzione al Deep Learning: 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.
• Algoritmi non supervisionati con SciKit Learn
  • Clustering: Panoramica dei principali algoritmi di clustering. Esempi con K-Means, DBSCAN
  • PCA, Analisi dei componenti principali e relativa riduzione, processo di calcolo della componente principale. Esempi.
  • Anomaly Detection, e introduzione alle serie temporali
• Serie Temporali
  • Caratteristiche delle serie temporali, cenni agli approcci tradizionali ARMA/ARIMA. Sostituzioni con approcci basati su apprendimento statistico
  • Trattamento delle serie temporali con Pandas
  • Tecniche supervisionate di analisi delle serie temporali. Scoring di modelli basati su serie temporali. Esempi in Python
  • Utilizzo di Prophet per l’analisi e la scomposizione di serie temporali

Durata

• 7 ore

Prerequisiti

Conoscenza di Python e di algoritmi di apprendimento statistico supervisionato, acquisibile attraverso il corso “Practical Machine Learning with Python”.