Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Machine Learning
Introduzione al Machine Learning
- Applicazioni del machine learning
- Learning supervisionato versus non supervisionato
- Algoritmi di machine learning
- Regressione
- Classificazione
- Clustering
- Sistema di raccomandazione
- Detezione delle anomalie
- Apprendimento per rinforzo
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
- Predictori qualitativi
- Estensioni dei modelli lineari
- Problemi potenziali
- Bilanciamento tra bias e varianza (underfitting/overfitting) per i modelli di regressione
Metodi di risampling
- Cross-validation
- L'approccio del set di validazione
- Cross-validation a un esempio
- Cross-validation k-fold
- Bilanciamento tra bias e varianza per la cross-validation k-fold
- Il bootstrap
Selezione del modello e regolarizzazione
- Selezione di sottoinsiemi
- Selezione del miglior sottoinsieme
- Selezione passo dopo passo
- Scelta del modello ottimale
- Metodi di riduzione/regularizzazione
- Ridge Regression
- Lasso e Elastic Net
- Selezione del parametro di regolazione
- Metodi di riduzione dimensionale
- Regressione a componenti principali
- Least Squares Partial Least Squares
Classificazione
Regressione logistica
- La funzione di costo del modello logistico
- Stima dei coefficienti
- Fornitura di previsioni
- Rapporto delle odds
- Metriche di valutazione delle prestazioni
- Sensibilità/specificità/PPV/NPV
- Precisione
- ROC Curve
- Regressione logistica multipla
- Regressione logistica per più classi di risposta
- Regressione logistica regolarizzata
Analisi discriminante lineare
- Utilizzo del teorema di Bayes per la classificazione
- Analisi discriminante lineare per p=1
- Analisi discriminante lineare per p>1
Analisi discriminante quadratica
K-Nearest Neighbors
- Classificazione con frontiere decisionali non lineari
Machines a supporto vettoriale (SVM)
- Obiettivo di ottimizzazione
- Classificatore a margine massimo
- Kernels
- Classificazione uno-versus-uno
- Classificazione uno-versus-tutti
Confronto dei metodi di classificazione
Deep Learning
Introduzione al Deep Learning
Rete neurale artificiale (ANN)
- Neuroni biologici e artificiali
- Ipothesi non lineari
- Rappresentazione del modello
- Esempi ed intuizioni
- Funzioni di trasferimento/attivazione
- Tipi comuni di architetture reti
- ANN feedforward
- Reti feedforward a più livelli
- Algoritmo backpropagation
- Backpropagation - training e convergenza
- Approssimazione funzionale con backpropagation
- Problemi pratici e di progettazione dell'apprendimento con backpropagation
Deep Learning
- Intelligenza artificiale e deep learning
- Regressione softmax
- Apprendimento autodidatta
- Rete profonde
- Dimostrazioni ed applicazioni
Laboratorio:
Iniziare con R
- Introduzione a R
- Comandi di base e librerie
- Manipolazione dei dati
- Importazione ed esportazione dei dati
- Sommarie grafiche e numeriche
- Scrittura di funzioni
Regressione
- Regressione lineare semplice e multipla
- Termini interattivi
- Trasformazioni non lineari
- Regressione a variabile dummy
- Cross-validation e bootstrap
- Metodi di selezione dei sottoinsiemi
- Riduzione delle penalità (Ridge, Lasso, Elastic Net)
Classificazione
- Regressione logistica, LDA, QDA e KNN
- Risampling e regolarizzazione
- Machines a supporto vettoriale (SVM)
Note:
- Per gli algoritmi ML, si utilizzeranno casi di studio per discutere le loro applicazioni, vantaggi e potenziali problemi.
- L'analisi di diversi dataset sarà eseguita utilizzando R.
Requisiti
- Conoscenze di base dei concetti statistici sono desiderabili
Pubblico
- Data scientists
- Ingegneri del machine learning
- Sviluppatori software interessati all'AI
- Ricercatori che lavorano con la modellazione dei dati
- Professionisti che desiderano applicare il machine learning in ambito aziendale o industriale
21 Ore
Recensioni (6)
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
I really enjoyed the coverage and depth of topics.
Anirban Basu
Corso - Machine Learning and Deep Learning
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Corso - Machine Learning and Deep Learning
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
