Struttura del corso
Apprendimento automatico
Introduzione a Machine Learning
-
Applicazioni dell'apprendimento automatico
Apprendimento supervisionato e non supervisionato
Algoritmi di apprendimento automatico
Regressione
Classificazione
Clustering
Sistema di raccomandazione
Rilevamento anomalie
Reinforcement Learning
Regressione
-
Regressione semplice e multipla
Metodo dei minimi quadrati
Stima dei coefficienti
Valutazione dell'accuratezza delle stime dei coefficienti
Valutazione dell'accuratezza del modello
Analisi post-stima
Altre considerazioni nei modelli di regressione
Predittori qualitativi
Estensioni dei modelli lineari
Potenziali problemi
Compromesso distorsione-varianza [under-fitting/over-fitting] per i modelli di regressione
Metodi di ricampionamento
-
Convalida incrociata
L'approccio del set di convalida
Convalida incrociata Leave-One-Out
Convalida incrociata k-Fold
Compromesso distorsione-varianza per k-fold
Il Bootstrap
Selezione e regolarizzazione del modello
-
Selezione del sottoinsieme [Selezione del sottoinsieme migliore, Selezione graduale, Scelta del modello ottimale]
Metodi di restringimento/regolarizzazione [Ridge Regression, Lazo & Elastic Net]
Selezione del parametro di sintonizzazione
Metodi di riduzione delle quote
Regressione delle componenti principali
Minimi quadrati parziali
Classificazione
-
Regressione logistica
La funzione di costo del modello logistico
Stima dei coefficienti
Fare previsioni
Rapporto di probabilità
Matrici di valutazione delle prestazioni
[Sensibilità/Specificità/PPV/NPV, Precisione, curva ROC ecc.]
Regressione logistica multipla
Regressione logistica per le classi di risposta >2
Regressione logistica regolarizzata
Feed forward ANN.
Strutture di reti feed-forward multistrato Algoritmo di retropropagazione Propagazione posteriore - formazione e convergenza Approssimazione funzionale con retropropagazione Problemi pratici e progettuali dell'apprendimento della retropropagazione
-
Deep Learning
Intelligenza Artificiale & Deep Learning Regressione Softmax Apprendimento autodidatta Reti profonde Demo e applicazioni
-
Laboratorio:
Introduzione a R
-
Introduzione a R
Comandi e librerie di base
Manipolazione dei dati
Importazione ed esportazione di dati
Riassunti grafici e numerici
Funzioni di scrittura
Regressione
Regressione lineare semplice e multipla Termini di interazione Trasformazioni non lineari Regressione di variabili fittizie La convalida incrociata e il Bootstrap Metodi di selezione dei sottoinsiemi Penalizzazione [cresta, lazo, rete elastica]
-
Classificazione
Regressione logistica, LDA, QDA e KNN, Ricampionamento e regolarizzazione Macchina vettoriale di supporto Ricampionamento e regolarizzazione
-
Nota:
Per gli algoritmi di ML, verranno utilizzati casi di studio per discutere la loro applicazione, i vantaggi e i potenziali problemi. L'analisi di diversi set di dati verrà eseguita utilizzando R
Requisiti
E' auspicabile una conoscenza di base dei concetti statistici.
Recensioni (4)
Abbiamo avuto una panoramica su Machine Learning, Neural Networks, IA con esempi pratici.
Catalin - DB Global Technology SRL
Corso - Machine Learning and Deep Learning
Traduzione automatica
Ultimo giorno con l'IA
Ovidiu - DB Global Technology SRL
Corso - Machine Learning and Deep Learning
Traduzione automatica
Gli esempi che sono stati raccolti, condivisi con noi e spiegati
Cristina - DB Global Technology SRL
Corso - Machine Learning and Deep Learning
Traduzione automatica
Coverage and depth of topics