Corso di formazione Fondamenti di Intelligenza Artificiale (AI) e Machine Learning

Introduzione al Machine Learning Applicato

• Apprendimento statistico vs. Machine Learning
• Iterazione e valutazione
• Trade-off Bias-Varianza
• Apprendimento Supervisato vs. Non Supervisato
• Problemi risolti con il Machine Learning
• Addestramento, Validazione, Test - workflow ML per evitare l'overfitting
• Workflow del Machine Learning
• Algoritmi di machine learning
• Scelta dell'algoritmo appropriato per il 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
  • Problema delle classi squilibrate
• Visualizzazione delle prestazioni del modello
  • Curva di profitto
  • Curva ROC
  • Curva di lift
• Selezione del modello
• Tuning del modello - strategie di grid search

Preparazione dei dati per la modellazione

• Importazione e memorizzazione dei dati
• Comprensione dei dati - esplorazioni di base
• Manipolazione dei dati con la libreria pandas
• Trasformazioni dei dati - Data wrangling
• Analisi esplorativa
• Osservazioni mancanti - rilevamento e soluzioni
• Outlier - rilevamento e strategie
• Standardizzazione, normalizzazione, binarizzazione
• Ricodifica dei dati qualitativi

Algoritmi di machine learning per il rilevamento degli Outlier

• Algoritmi supervisionati
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algoritmi non supervisionati
  • Basati sulla distanza
  • Metodi basati sulla densità
  • Metodi probabilistici
  • Metodi basati sul modello

Comprendere il Deep Learning

• Panoramica dei concetti fondamentali del Deep Learning
• Differenziare tra Machine Learning e Deep Learning
• Panoramica delle applicazioni del Deep Learning

Panoramica sulle Reti Neurali

• Cosa sono le Reti Neurali
• 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
• Lavoro con neuroni, layer e dati di input e output
• Comprensione dei Perceptron a singolo layer
• Differenze tra Apprendimento Supervisato e Non Supervisato
• Apprendimento delle Reti Neurali Feedforward e Feedback
• Comprensione della Forward Propagation e della Back Propagation

Costruire Modelli Semplici di Deep Learning con Keras

• Creazione di un modello Keras
• Comprensione dei propri dati
• Specifica del proprio modello di Deep Learning
• Compilazione del modello
• Addestramento (Fitting) del modello
• Lavoro con i dati di classificazione
• Lavoro con i modelli di classificazione
• Utilizzo dei propri modelli

Lavoro con TensorFlow per il Deep Learning

• Preparazione dei dati
  • Download dei 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
• Utilizzo dell'Optimizer
• Utilizzo degli Initializer
• Addestramento (Fitting) della Rete Neurale
• Costruzione del Grafo
  • Inference (Inferenza)
  • Loss (Perdita)
  • Training (Addestramento)
• Addestramento del modello
  • Il Grafo
  • La Sessione
  • Train Loop (Ciclo di addestramento)
• Valutazione del modello
  • Costruzione del Grafo di Eval (Valutazione)
  • Valutazione con Eval Output (Output di valutazione)
• Addestramento di modelli su larga scala
• Visualizzazione e valutazione dei modelli con TensorBoard

Applicazione del Deep Learning nel Rilevamento delle Anomalie

• Autoencoder
  • Architettura Encoder - Decoder
  • Reconstruction loss (Perdita di ricostruzione)
• Variational Autencoder
  • Variational inference (Inferenza variazionale)
• Generative Adversarial Network
  • Architettura Generatore - Discriminatore
  • Approcci all'AN (Anomaly Detection) utilizzando GAN

Framework Ensemble

• Combinazione dei risultati di diversi metodi
• Bootstrap Aggregating
• Media del punteggio outlier