Machine Learning Fundamentals
Il corso offre una panoramica introduttiva dei concetti fondamentali e delle tecniche di base nel campo dell’apprendimento automatico. Strutturato in due giornate intensive, il corso combina teoria e pratica per fornire agli studenti una solida base nel Machine Learning.
Durante il corso, gli studenti verranno introdotti all’ambiente di sviluppo Jupyter Notebook e esploreranno concetti chiave come la rappresentazione del modello, le funzioni di costo e il gradiente discendente. Attraverso una serie di lezioni e laboratori pratici, acquisiranno competenze nell’applicare tecniche di regressione lineare multipla e classificazione, con particolare attenzione alla regressione logistica. Gli studenti impareranno a implementare questi modelli utilizzando Python e la libreria Scikit-Learn, ottimizzando il tasso di apprendimento e applicando tecniche di ingegneria delle caratteristiche.
Il corso affronta anche temi avanzati come l’overfitting e introduce le tecniche base di regolarizzazione.
CODE: DSAI200
Category: Corso Intelligenza Artificiale
Metodologia didattica
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.
Prerequisiti
- Conoscenza di base di informatica e programmazione.
- Familiarità con Python e la sua sintassi.
- Comprensione dei concetti fondamentali di algebra lineare e calcolo differenziale.
- Familiarità con la libreria Scikit-Learn per il machine learning.
La seguente è una panoramica dei contenuti del corso:
Day 1
- Introduzione ai Jupyter Notebook
- Rappresentazione del Modello
- Cost Function
- Gradiente Discendente Uso dei Vettori
- Regressione Lineare Multipla
- Tasso di Apprendimento
- Features Engineering
- Regressione Lineare con Scikit-Learn
Â
Day 2
- Classificazione
- Regressione Logistica
- Decision Boundary
- Logistic Loss
- Cost Function per la Regressione Logistica
- Gradiente Discendente per la Regressione Logistica
- Regressione Logistica usando Scikit-Learn
- Overfitting
- Cost e Gradiente Regolarizzato
Gli studenti acquisiranno concetti su:
- Comprensione di base delle modalità di rappresentazione dei modelli di machine learning e delle differenze tra vari tipi di modelli.
- Familiarità con le funzioni di costo per valutare l’accuratezza dei modelli di machine learning.
- Conoscenza introduttiva del metodo del gradiente discendente per l’ottimizzazione dei modelli di machine learning.
- Capacità di base nell’implementare il gradiente discendente in Python.
- Consapevolezza delle tecniche di vettorizzazione per migliorare l’efficienza computazionale dei modelli di machine learning.
- Competenza iniziale nell’applicare tecniche di regressione lineare multipla per predire valori continui.
- Conoscenza pratica dell’utilizzo della libreria Scikit-Learn per implementare regressioni lineari.
- Comprensione dell’importanza del tasso di apprendimento nell’addestramento del modello.
- Introduzione alle tecniche di ingegneria delle caratteristiche per migliorare le prestazioni dei modelli di machine learning.
- Comprensione dei concetti di base della classificazione e della regressione logistica.
- Esperienza pratica nell’implementazione della regressione logistica utilizzando Python e Scikit-Learn.
- Capacità di interpretare i confini decisionali per modelli di classificazione semplici.
- Conoscenza introduttiva delle funzioni di costo specifiche per la regressione logistica, come il logistic loss.
- Consapevolezza delle tecniche di regolarizzazione per prevenire l’overfitting e migliorare la generalizzazione del modello.
Durata – 2 giorni
Erogazione – in aula, in loco, da remoto
Requisiti PC e SW:
- Connessione a Internet
- Browser web, Google Chrome
- Zoom
Lingua
- Istruttore: Italiano
- Laboratori: Inglese
- Slides: Inglese
