Il corso intende offrire una panoramica completa sui fondamenti teorici e pratici del Machine Learning.
Verranno esplorati i concetti chiave come l'apprendimento supervisionato, non supervisionato e per rinforzo, nonché le tecniche di addestramento, validazione e test dei modelli.
Il corso include applicazioni pratiche, utilizzando Python e Jupyter Notebook.
1 Definizione di Machine Learning
2 Differenze tra programmazione tradizionale e programmazione con ML
3 Data mining
4 Ambiti di applicazione
5 Tipologie di sistemi di ML
- Supervisione in fase di apprendimento
- Supervised Learning
- Unsupervised Learning
- Semi-supervised Learning
- Transfer Learning
- Reinforcement learning
- Tipo di apprendimento
- Batch Learning
- Online Learning
- Tipo di generalizzazione
- Instance-based Learning
- Model-based Learning
6 Addestramento del modello
- Focus sui dati (dati non rilevanti, non rappresentativi etc)
- Focus sugli algoritmi (overiftting, underfitting)
7 Test e validazione
8 Pipelines
La frequenza del corso, in modalità interattiva e sotto la guida di un docente con esperienza pluriennale, ti consentirà di acquisire una conoscenza specializzata e avere piena comprensione dei concetti fondamentali del machine learning, compresi algoritmi, tecniche e applicazioni.
Tramite le esercitazioni pratiche sarà possibile applicare da subito ciò che hai imparato, consolidando le tue competenze.
Gli strumenti scelti, Google Colab e Jupyter Notebook, sono, inoltre, strumenti user-friendly e facilitano l'apprendimento. Entrambi supportano librerie per il machine learning che rendono più semplice l'implementazione e l'esecuzione dei modelli.
Mediante il corso e il follow-up di approfondimento potrai acquisire, quindi, competenze pratiche e teoriche nel campo del Machine Learning, preparandoti per opportunità future in un settore sempre più in crescita.
È necessaria la conoscenza di Python per la parte applicativa del corso.
Sarà utilizzato Jupyter Notebook. È necessario avere un account Google per l'uso di Colab.