Contattataci

Struttura del corso

Apprendimento supervisionato: classificazione e regressione

  • Machine Learning in Python: introduzione all'API scikit-learn
    • regressione lineare e logistica
    • support vector machine
    • reti neurali
    • random forest
  • Configurazione di un pipeline di apprendimento supervisionato end-to-end con scikit-learn
    • lavoro con file di dati
    • imputazione dei valori mancanti
    • gestione delle variabili categoriche
    • visualizzazione dei dati

Framework Python per applicazioni AI:

  • TensorFlow, Theano, Caffe e Keras
  • AI su larga scala con Apache Spark: Mlib

Architetture avanzate di reti neurali

  • reti neurali convoluzionali per l'analisi delle immagini
  • reti neurali ricorrenti per dati strutturati nel tempo
  • cella long short-term memory

Apprendimento non supervisionato: clustering, rilevamento delle anomalie

  • implementazione dell'analisi delle componenti principali con scikit-learn
  • implementazione di autoencoder in Keras

Esempi pratici di problemi risolvibili con l'AI (esercitazioni pratiche utilizzando notebook Jupyter), ad es.  

  • analisi delle immagini
  • previsione di serie finanziarie complesse, come i prezzi azionari,
  • riconoscimento complesso di pattern
  • elaborazione del linguaggio naturale
  • sistemi di raccomandazione

Comprensione dei limiti dei metodi AI: modalità di fallimento, costi e difficoltà comuni

  • overfitting
  • trade-off bias/varianza
  • bias nei dati osservativi
  • avvelenamento delle reti neurali

Lavoro su progetto applicativo (facoltativo)

Requisiti

Non sono richiesti requisiti specifici per partecipare a questo corso.

 28 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative