Struttura del corso
Introduzione
Questa sezione fornisce un'introduzione generale su quando utilizzare il 'machine learning', su cosa considerare e su ciò che tutto ciò implica, inclusi vantaggi e svantaggi. Tipi di dati (strutturati/non strutturati/statici/streaming), validità/volume dei dati, analisi basate sui dati rispetto a quelle basate sull'utente, modelli statistici rispetto ai modelli di machine learning/sfide dell'apprendimento non supervisionato, compromesso bias-varianza, iterazione/valutazione, approcci di validazione incrociata, supervisionato/non supervisionato/reinforcement.
ARGOMENTI PRINCIPALI
1. Comprendere il Naive Bayes
- Concetti base dei metodi bayesiani
- Probabilità
- Probabilità congiunta
- Probabilità condizionata con il teorema di Bayes
- L'algoritmo Naive Bayes
- La classificazione con Naive Bayes
- Lo stimatore di Laplace
- Utilizzo di feature numeriche con Naive Bayes
2. Comprendere gli alberi decisionali
- Dividi e conquista
- L'algoritmo di albero decisionale C5.0
- Scegliere la migliore partizione
- Potatura dell'albero decisionale
3. Comprendere le reti neurali
- Dai neuroni biologici a quelli artificiali
- Funzioni di attivazione
- Topologia della rete
- Il numero di livelli
- La direzione del flusso di informazione
- Il numero di nodi in ogni livello
- Addestramento delle reti neurali con backpropagation
- Deep Learning
4. Comprendere le Support Vector Machines (SVM)
- Classificazione con iperpiani
- Trovare il margine massimo
- Il caso di dati linearmente separabili
- Il caso di dati non linearmente separabili
- Utilizzo di kernel per spazi non lineari
5. Comprendere il clustering
- Il clustering come compito di machine learning
- L'algoritmo k-means per il clustering
- Utilizzo della distanza per assegnare e aggiornare i cluster
- Scegliere il numero appropriato di cluster
6. Misurare le prestazioni per la classificazione
- Lavorare con dati di previsione per la classificazione
- Uno sguardo più attento alle matrici di confusione
- Utilizzo delle matrici di confusione per misurare le prestazioni
- Oltre l'accuratezza – altre misure di prestazioni
- La statistica kappa
- Sensibilità e specificità
- Precisione e richiamo (recall)
- La misura F
- Visualizzazione dei compromessi prestazionali
- Curve ROC
- Stima delle prestazioni future
- Il metodo holdout
- Validazione incrociata
- Campionamento bootstrap
7. Tuning dei modelli standard per migliorare le prestazioni
- Utilizzo di caret per il tuning automatico dei parametri
- Creatura di un modello ottimizzato semplice
- Personalizzazione del processo di tuning
- Miglioramento delle prestazioni del modello con meta-learning
- Comprendere gli ensemble
- Bagging
- Boosting
- Random forests
- Addestramento delle random forests
- Valutazione delle prestazioni delle random forests
ARGOMENTI SECONDARI
8. Comprendere la classificazione utilizzando i k-vicini più prossimi
- L'algoritmo kNN
- Calcolo della distanza
- Scegliere un k appropriato
- Preparazione dei dati per l'uso con kNN
- Perché l'algoritmo kNN è 'lazy'?
9. Comprendere le regole di classificazione
- Separare e conquistare
- L'algoritmo One Rule
- L'algoritmo RIPPER
- Regole dagli alberi decisionali
10. Comprendere la regressione
- Regressione lineare semplice
- Stima dei minimi quadrati ordinari
- Correlazioni
- Regressione lineare multipla
11. Comprendere gli alberi di regressione e i modelli ad albero
- Aggiunta della regressione agli alberi
12. Comprendere le regole di associazione
- L'algoritmo Apriori per l'apprendimento delle regole di associazione
- Misurare l'interesse delle regole – supporto e confidenza
- Costruzione di un insieme di regole con il principio di Apriori
Extra
- Spark/PySpark/MLlib e Multi-armed bandits
Requisiti
Conoscenza di Python
Recensioni (7)
Ho trovato il corso molto interessante e ho apprezzato la profonda approfondizione sull'argomento del Machine Learning. La bilancia tra teoria ed applicazioni pratiche è stata ottimale, in particolare le sessioni di programmazione hands-on. Il formatore ha fornito esempi stimolanti ed esercizi ben progettati che hanno arricchito l'esperienza di apprendimento. Il corso ha trattato una vasta gamma di argomenti e Abhi ha dimostrato un'eccellente competenza, rispondendo a tutte le domande con chiarezza ed efficacia.
Valentina
Corso - Machine Learning
Traduzione automatica
Ho apprezzato l'esercizio che mi ha aiutato a comprendere la teoria e applicarla passo dopo passo. Anche il modo in cui l'istruttore ha spiegato tutto in maniera semplice e chiara è stato molto utile. Era facile da seguire, anche se non sono molto esperto di Python, comunque non volevo perdere l'opportunità di imparare qualcosa che mi interessa davvero. Ho anche apprezzato la varietà delle informazioni fornite e la disponibilità dell'istruttore a spiegare e supportarci nella comprensione dei concetti. Dopo questo corso, i concetti di machine learning sono molto più chiari per me, e ora mi sento con una direzione e una comprensione migliore della materia.
Cristina
Corso - Machine Learning
Traduzione automatica
Al termine della formazione, ho potuto vedere il caso d'uso reale degli argomenti presentati.
Daniel
Corso - Machine Learning
Traduzione automatica
Mi è piaciuto il ritmo, l'equilibrio tra teoria e pratica, i principali argomenti trattati e la capacità del formatore di bilanciare tutto. Apprezzo anche molto la vostra infrastruttura di formazione, molto pratica per lavorare con le VM
Andrei
Corso - Machine Learning
Traduzione automatica
Rendere il tutto breve e semplice. Creare intuizione e modelli visivi attorno ai concetti (grafico dell'albero decisionale, equazioni lineari, calcolo manuale di y_pred per dimostrare come funziona il modello).
Nicolae - DB Global Technology
Corso - Machine Learning
Traduzione automatica
Mi ha aiutato a raggiungere il mio obiettivo di comprendere l'ML. Grande rispetto per Pablo per aver fornito una vera introduzione a questo argomento, rendendosi evidente dopo tre giorni di formazione quanto sia vasto. Ho anche molto apprezzato l'idea delle macchine virtuali che hai offerto, con un'ottima latenza! Ha permesso a ogni partecipante di svolgere esperimenti a suo ritmo.
Silviu - DB Global Technology
Corso - Machine Learning
Traduzione automatica
Il modo pratico, vedere la teoria concretizzarsi in qualcosa di pratico è fantastico.
Lisa Fekade - Vodacom
Corso - Machine Learning
Traduzione automatica
