Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione al Machine Learning Applicato
- Imparare statistico vs. Machine learning
- Iterazione e valutazione
- Compromesso tra Bias e Varianza
- Apprendimento supervisionato vs non supervisionato
- Problemi risolvibili con il Machine Learning
- Train Validation Test – Workflow del ML per evitare l'overfitting
- Workflow del Machine Learning
- Algoritmi di machine learning
- Scelta dell'algoritmo appropriato al problema
Valutazione degli Algoritmi
-
Valutazione delle previsioni numeriche
- Misure di accuratezza: ME, MSE, RMSE, MAPE
- Stabilità dei parametri e delle previsioni
-
Valutazione degli algoritmi di classificazione
- Accuratezza e i suoi problemi
- La matrice di confusione
- Il problema delle classi sbilanciate
-
Visualizzazione del rendimento del modello
- Curva di profitto
- Curva ROC
- Curva di lift
- Selezione del modello
- Ottimizzazione del modello – strategie di ricerca su griglia (grid search)
Preparazione dei dati per il Modelling
- Importazione e archiviazione dei dati
- Comprensione dei dati – esplorazioni basilari
- Manipolazione dei dati con la libreria pandas
- Trasformazione dei dati – Data wrangling
- Analisi esplorativa
- Osservazioni mancanti – rilevamento e soluzioni
- Outliers – rilevamento e strategie
- Standardizzazione, normalizzazione, binarizzazione
- Recoding dei dati qualitativi
Algoritmi di Machine Learning per la rilevazione degli Outliers
-
Algoritmi supervisionati
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritmi non supervisionati
- Basati sulla distanza
- Metodi basati sulla densità
- Metodi probabilistici
- Metodi basati su modelli
Comprensione del Deep Learning
- Panoramica dei concetti di base del Deep Learning
- Differenze tra Machine Learning e Deep Learning
- Panoramica delle applicazioni del Deep Learning
Panoramica sulle Reti Neurali
- Cos'è una rete neurale
- Reti neurali vs modelli di regressione
- Comprensione delle basi matematiche e dei meccanismi di apprendimento
- Costruzione di una rete neurale artificiale
- Comprensione dei nodi neurali e delle connessioni
- Lavorare con i neuroni, le layer e i dati di input e output
- Comprensione dei perceptrons a singolo strato
- Differenze tra apprendimento supervisionato e non supervisionato
- Apprendere le reti neurali feedforward e feedback
- Comprensione della propagazione in avanti e all'indietro (forward propagation e back propagation)
Costruzione di semplici modelli di Deep Learning con Keras
- Creazione di un modello Keras
- Comprensione dei tuoi dati
- Specifica del tuo modello di Deep Learning
- Compilazione del tuo modello
- Addestramento del tuo modello
- Lavorare con i tuoi dati di classificazione
- Lavorare con modelli di classificazione
- Utilizzo dei tuoi modelli
Lavorare con TensorFlow per il Deep Learning
-
Preparazione dei dati
- Downloading i dati
- Preparazione dei dati di addestramento
- Preparazione dei dati di test
- Scaling degli input
- Utilizzo di placeholder e variabili
- Specifica dell'architettura della rete
- Utilizzo della funzione di costo (cost function)
- Utilizzo dell'ottimizzatore (optimizer)
- Utilizzo degli inizializzatori (initializers)
- Addestramento della rete neurale
-
Costruzione del grafo (graph)
- Inferenza (inference)
- Perdita (loss)
- Addestramento (training)
-
Addestramento del modello
- Il grafo (graph)
- La sessione (session)
- Ciclo di addestramento (train loop)
-
Valutazione del modello
- Costruzione del grafo di valutazione (eval graph)
- Valutazione con l'output di valutazione (eval output)
- Addestramento dei modelli a larga scala (at scale)
- Visualizzazione e valutazione dei modelli con TensorBoard
Applicazione del Deep Learning in Rilevazione di Anomalie (Anomaly Detection)
-
Autoencoder
- Architettura encoder-decoder
- Perdita di ricostruzione (reconstruction loss)
-
Variational Autoencoder (VAE)
- Inferenza variazionale (variational inference)
-
Generative Adversarial Network (GAN)
- Architettura generator-discriminator
- Approcci alla rilevazione di anomalie utilizzando GAN (anomaly detection using GAN)
Framework Ensemble
- Combinare i risultati di diversi metodi
- Bootstrap Aggregating (Bagging)
- Media del punteggio degli outliers (averaging outlier score)
Requisiti
- Esperienza di programmazione in Python
- Conoscenze di base di statistica e concetti matematici
Pubblico di riferimento
- Sviluppatori
- Data scientists
28 ore
Recensioni (5)
La formazione ha fornito un'interessante panoramica dei modelli di deep learning e dei relativi metodi. L'argomento era abbastanza nuovo per me, ma ora sento di avere effettivamente un'idea di cosa possono comportare l'IA e il ML, in cosa consistono questi termini e come possono essere utilizzati in modo vantaggioso. In generale, mi è piaciuto l'approccio di partire dal background statistico e dai modelli di apprendimento di base, come la regressione lineare, enfatizzando soprattutto gli esercizi intermedi.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Anna chiedeva sempre se c'erano domande e cercava sempre di renderci più attivi ponendo domande, il che ci ha reso tutti davvero coinvolti nella formazione.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Mi è piaciuto il modo in cui si fonde con le pratiche.
Bertan - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
La vasta esperienza/conoscenza del formatore
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
la VM è una bella idea
Vincent - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
