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
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 vettoriali di supporto Obiettivo di ottimizzazione
  • Il classificatore del margine massimo
  • Kernel
  • Classificazione uno contro uno
  • Classificazione uno contro tutti
  • Confronto tra i metodi di classificazione
  • Introduzione a Deep Learning
  • Struttura ANN
  • Bioneuroni logici e neuroni artificiali Ipotesi non lineare Rappresentazione del modello Esempi e intuizioni Funzione di trasferimento/Funzioni di attivazione Classi tipiche delle architetture di rete
  • 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.

      21 ore

    Numero di Partecipanti



    Prezzo per Partecipante

    Recensioni (4)

    Corsi relativi

    Categorie relative