Corso di formazione Machine Learning e Analisi Predittiva con Python

Introduzione al Machine Learning

• Tipologie di machine learning: apprendimento supervisionato vs non supervisionato
• Dal data mining tradizionale all’apprendimento automatico
• Il flusso di lavoro tipico nell’estrazione dati: comprensione del problema aziendale, preparazione dei dati, modellazione e implementazione
• Come scegliere l’algoritmo più adatto al tipo di problema da risolvere
• Il fenomeno dell’overfitting e il bilanciamento tra bias e varianza

Panoramica su Python e le librerie per il Machine Learning

• Perché utilizzare i linguaggi di programmazione nel machine learning?
• Come scegliere tra R e Python?
• Corso intensivo su Python e introduzione a Jupyter Notebooks
• Le principali librerie di Python: pandas, NumPy, scikit-learn, matplotlib, seaborn

Verifica e valutazione degli algoritmi di Machine Learning

• Concetti di generalizzabilità, overfitting e validazione dei modelli
• Metodologie di valutazione: test a tenuta, validazione incrociata, bootstrapping
• Metriche per la regressione: errore medio, MSE, RMSE e MAPE
• Metriche per la classificazione: accuratezza, matrice di confusione, gestione delle classi sbilanciate
• Visualizzazione delle prestazioni dei modelli: curve di profitto, curve ROC e curve di lift
• Selezione ottimale degli algoritmi e ricerca della configurazione migliore tramite grid search

Preparazione dei dati

• Importazione e memorizzazione dei dati in Python
• Analisi esplorativa e calcolo delle statistiche descrittive
• Gestione dei valori mancanti e degli outlier
• Standardizzazione, normalizzazione e trasformazione dei dati
• Ricodifica delle variabili qualitative e pulizia dei dati con pandas

Algoritmi di classificazione

• Differenze tra classificazione binaria e multiclasse
• Regressione logistica e funzioni discriminanti
• Algoritmi Naive Bayes, k-vicini più prossimi
• Alberi decisionali: CART, Foresta casuale, Bagging, Boosting, XGBoost
• Macchine a vettori di supporto e funzioni kernel
• Tecniche di apprendimento ensemble per migliorare le prestazioni

Regressione e previsione numerica

• Metodo dei minimi quadrati e selezione delle variabili rilevanti
• Tecniche di regolarizzazione: L1, L2
• Regressione polinomiale e modelli non lineari
• Alberi di regressione e spline per l’adattamento dei dati

Reti neurali

• Introduzione alle reti neurali e al deep learning
• Funzioni di attivazione, livelli di elaborazione e retropropagazione
• I multilayer perceptron (MLP)
• Utilizzo di TensorFlow o PyTorch per la realizzazione di modelli neurali semplici
• Applicazioni delle reti neurali nella classificazione e nella regressione

Previsione delle vendite e analisi predittiva

• Confronto tra previsioni basate su serie temporali e tecniche di regressione
• Gestione dei dati stagionali e caratterizzati da tendenze specifiche
• Realizzazione di un modello predittivo per le vendite tramite tecniche di machine learning
• Valutazione dell’accuratezza e delle incertezze nella previsione
• Interpretazione aziendale dei risultati ottenuti e presentazione ai responsabili decisionali

Apprendimento non supervisionato

• Tecniche di clustering: k-means, k-medoidi, clustering gerarchico, SOM
• Riduzione della dimensionalità: PCA, analisi fattoriale, SVD
• Scala multidimensionale per la rappresentazione visiva dei dati

Minerologia testuale

• Elaborazione preliminare del testo e tokenizzazione
• Costruzione di modelli bag-of-words, metodiche di stemming e lemmatizzazione
• Analisi dei sentimenti e calcolo della frequenza delle parole
• Visualizzazione dei dati testuali attraverso word cloud

Sistemi di raccomandazione

• Filtri collaborativi basati sugli utenti o sui prodotti
• Progettazione e verifica dei motori di raccomandazione

Estrazione di pattern associativi

• Identificazione degli itemset frequenti e utilizzo dell’algoritmo Apriori
• Analisi delle correlazioni tra prodotti (market basket analysis) e calcolo del rapporto di lift

Rilevamento degli outlier

• Analisi dei valori estremi nel dataset
• Metodi basati sulla distanza e sull’densità per l’individuazione degli outlier
• Rilevamento di valori anomali in contesti ad alta dimensionalità

Studio di caso pratico sul Machine Learning

• Comprendere appieno il problema aziendale da affrontare
• Preparazione dei dati e selezione delle feature rilevanti
• Scelta dell’algoritmo più adeguato e ottimizzazione dei parametri
• Valutazione del modello ottenuto e presentazione dei risultati
• Implementazione finale in ambiente reale

Conclusioni e prossimi passi