Struttura del corso
1. Introduzione al Machine Learning
- Che cos’è il Machine Learning
- In che modo si integra nell’analisi dei dati
-
Esempi comuni di applicazione aziendale:
- Previsione delle vendite
- Segmentazione dei clienti
- Predizione del rischio di abbandono da parte dei clienti
2. Dall’analisi dei dati al Machine Learning
- Ripasso: gestione dei dati con Pandas
- Transizione dall’analisi descrittiva all’analisi predittiva
- Come definire un problema da risolvere mediante Machine Learning
3. Workflow del Machine Learning (semplificato)
- Preparazione del dataset
- Suddivisione dei dati in insieme di addestramento e di test
- Addestramento del modello
- Generazione delle previsioni
4. Preparazione dei dati per il Machine Learning
- Gestione dei valori mancanti
- Codifica delle variabili categorical
- Selezione delle feature (in modo basilare)
- Normalizzazione dei dati (panoramica generale)
5. Apprendimento supervisionato (pratica)
Regressione
- Regressione lineare
- Applicazioni pratiche: previsione di valori numerici (ad esempio vendite o domanda)
Classificazione
- Regressione logistica
- Applicazioni pratiche: risultati binari (ad esempio abbandono del cliente o frodi)
6. Apprendimento non supervisionato
Clustering
- Algoritmo K-means clustering
- Applicazioni pratiche: segmentazione dei clienti
7. Valutazione dei modelli (semplificata)
- Confronto tra le prestazioni del modello sull’insieme di addestramento e su quello di test
- Accuratezza (per i problemi di classificazione)
- Comprensione degli errori commessi (nel caso della regressione)
8. Interpretazione dei risultati
- Come interpretare i risultati forniti dal modello
- Riconoscimento di pattern e tendenze nei dati
- Trasformazione dei risultati in informazioni utili per le decisioni aziendali
9. Esempio pratico end-to-end
- Caricamento del dataset
- Preparazione e pulizia dei dati
- Addestramento del modello
- Valutazione delle prestazioni ottenute
- Estrazione di informazioni significative dai risultati
Requisiti
Prerequisiti
- Conoscenze di base di Python
- Familiarità con Pandas e con la gestione dei dataset
- Comprensione dei concetti fondamentali dell’analisi dei dati
Pubblico di riferimento
- Analisti dei dati
- Analyst business dotati di conoscenze base di Python
- Professionisti che hanno frequentato il corso “Python per l’Analisi dei Dati” o corsi analoghi
- Chi si avvicina per la prima volta al Machine Learning
Recensioni (3)
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
Lavorare partendo dai principi fondamentali in modo concentrato, e passare all'applicazione di casi pratici nello stesso giorno
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
Stava utilizzando dati reali di una società. Il formatore aveva un approccio molto efficace, coinvolgendo i partecipanti e incentivando la competizione
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Corso - Applied AI from Scratch in Python
Traduzione automatica
