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
Machine Learning
Introduzione a Machine Learning
- Applicazioni dell'apprendimento automatico
- Apprendimento supervisionato e non supervisionato
- Algoritmi di apprendimento automatico
- Regressione
- Classificazione
- Raggruppamento
- Sistema di raccomandazione
- Rilevamento delle 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 tra bias e varianza (under-fitting/over-fitting) per i modelli di regressione
Metodi di ricampionamento
- Validazione incrociata
- L'approccio del set di convalida
- Validazione incrociata Leave-One-Out
- Validazione incrociata k-fold
- Compromesso tra bias e varianza per k-Fold
- Il Bootstrap
Selezione e regolarizzazione del modello
- Selezione del sottoinsieme
- Migliore selezione del sottoinsieme
- Selezione graduale
- Scelta del modello ottimale
- Metodi di restringimento/regolarizzazione
- Regressione della cresta
- Lazo e rete elastica
- Selezione del parametro di sintonizzazione
- Metodi di riduzione dimensionale
- 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/VPP/VNP
- Precisione
- Curva ROC
- Regressione logistica multipla
- Regressione logistica per >2 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-Vicini più prossimi
- Classificazione con limiti decisionali non lineari
Macchine a vettori di supporto
- Obiettivo di ottimizzazione
- Il classificatore del margine massimo
- Noccioli
- Classificazione uno contro uno
- Classificazione uno contro tutti
Confronto dei metodi di classificazione
Deep Learning
Introduzione a Deep Learning
Artificiale Neural Networks (RNA)
- Bioneuroni logici e neuroni artificiali
- Ipotesi non lineare
- Rappresentazione del modello
- Esempi e intuizioni
- Funzione di trasferimento/funzioni di attivazione
- Classi tipiche di architetture di rete
- Rete neurale feedforward
- Reti feedforward multistrato
- Algoritmo di backpropagation
- Backpropagation - Formazione e convergenza
- Approssimazione funzionale con backpropagation
- Problemi pratici e di progettazione dell'apprendimento della backpropagation
Deep Learning
- Intelligenza artificiale e 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
- Riepiloghi grafici e numerici
- Funzioni di scrittura
Regressione
- Regressione lineare semplice e multipla
- Termini di interazione
- Trasformazioni non lineari
- Regressione con variabile fittizia
- Validazione incrociata e Bootstrap
- Metodi di selezione dei sottoinsiemi
- Penalizzazione (Ridge, Lazo, Rete Elastica)
Classificazione
- Regressione logistica, LDA, QDA e KNN
- Ricampionamento e regolarizzazione
- Macchina a vettori di supporto
Note:
- Per quanto riguarda gli algoritmi di ML, verranno utilizzati casi di studio per discutere la loro applicazione, i vantaggi e i potenziali problemi.
- L'analisi dei diversi set di dati verrà eseguita utilizzando R.
Requisiti
- È auspicabile la conoscenza di base dei concetti statistici
Pubblico
- Scienziati dei dati
- Ingegneri di apprendimento automatico
- Sviluppatori di software interessati all'intelligenza artificiale
- Ricercatori che lavorano con la modellazione dei dati
- Professionisti che desiderano applicare l'apprendimento automatico 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.
