Corso - Le basi del Machine Learning

• Introduzione
• Aree di competenza
• Concentrarsi sulla scienza dei dati (data mining)
• Concentrarsi sull'apprendimento automatico
• Concentrarsi sui Big Data
• Concentrarsi sull'apprendimento profondo
• Definizione di apprendimento automatico
• Esempi di attività di apprendimento automatico
• Cosa possono imparare le macchine
• Le diverse modalità di allenamento

• Preambolo: - Un problema di ottimizzazione - Ricerca della capacità ottimale del modello - Capacità di relazione ed errori - Un contributo filosofico - Quadro statistico - Anatomia di un modello di machine learning
• Set di dati di addestramento: - Quadro statistico - Variabili predittive - Catena di elaborazione delle variabili predittive - Variabili da prevedere
• Funzioni di ipotesi: - Principio: insiemi di funzioni di ipotesi - Contesto di selezione delle funzioni di ipotesi - Caratteristiche delle funzioni di ipotesi - Modelli probabilistici frequentisti e bayesiani
• Funzioni di costo: - Stimatori - Principio di massima verosimiglianza (MLE*) - MAP - Massimo A Posteriori - Il bias di uno stimatore - La varianza di uno stimatore - Il compromesso bias-varianza - Funzioni di costo - La regolarizzazione dei parametri
• Algoritmi di ottimizzazione: - Le principali classi di algoritmi di ottimizzazione - Discesa del gradiente (1° ordine) - Discesa del gradiente (dettagli) - Approcci di Newton (2° ordine) - Ottimizzazione batch e stocastica - Per approfondire

Laboratorio: Implementazione dell'ambiente di lavoro di Machine Learning

• Introduzione: - Scelta di un algoritmo di classificazione
• Regressione logistica: - Da Perceptron alla regressione logistica - Presupposti del modello - Apprendimento dei pesi del modello - Esempio di implementazione: scikit-learn - Regressione logistica - Scheda riassuntiva
• SVM: - Classificazione con margine massimo - La nozione di margine morbido - Macchine del kernel - Trucco del kernel - Funzioni del kernel - SVM - Matematica - SVM - Foglio riassuntivo
• Alberi decisionali: - Principio di base - Funzionamento - Massimizzazione del guadagno informativo - Misurazione dell'impurità di un nodo - Esempio di implementazione: scikit-learn - Alberi decisionali - Foglio riassuntivo
• K vicini più vicini (kNN): - Apprendimento basato su esempi - Principio di funzionamento - Vantaggi e svantaggi - kNN - Scheda riassuntiva
• Sintesi

Laboratorio: Sperimentazione di algoritmi di classificazione su casi concreti

• Preelaborazione: - Gestione dei dati mancanti - Trasformatori e stimatori - Elaborazione dei dati categorici - Partizionamento dei set di dati - Ridimensionamento dei dati
• Ingegneria delle variabili predittive (Feature Engineering): - Selezione delle variabili predittive - Selezione indotta dalla regolarizzazione L1 - Selezione sequenziale delle variabili - Determinazione dell'importanza delle variabili - Riduzione dimensionale mediante compressione dei dati - Estrazione delle variabili predittive - Component analysis (PCA) - Lineare Analisi discriminante (LDA) - Kernel PCA (KPCA)
• Impostazioni degli iperparametri e valutazione del modello: - Buone pratiche - La nozione di Pipeline - Convalida incrociata (convalida incrociata) - Curve di apprendimento - Curve di convalida - Ricerca in griglia (ricerca in griglia) - Convalida incrociata nidificata (ricerca in grigliacv) - Metriche delle prestazioni
• Sintesi

Laboratorio: Sperimentazione di pratiche di machine learning su casi concreti

• Introduzione
• L'approccio al voto
• Una variante: impilabile
• Insaccamento
• Foreste casuali
• Potenziamento
• La variante Adaboost
• Aumento del gradiente
• Schede riassuntive

Laboratorio: Apprendimento complessivo su un caso concreto

• Regressione lineare semplice
• Regressione lineare multivariata
• Relazioni tra variabili
• Valori anomali (RANSAC)
• Valutazione delle prestazioni del modello di regressione
• Regolarizzazione dei modelli di regressione lineare
• Regressione polinomiale
• Regressione con foreste casuali
• Sintesi

Laboratorio: Regressione su un caso concreto

• Introduzione
• Raggruppamento di oggetti per somiglianza con k-means
• k-significa: algoritmo
• L'inerzia di un cluster
• Variante k-significa++
• Raggruppamento sfocato
• Trovare il numero ottimale di cluster con il metodo Elbow
• Comprendere la qualità dei cluster con il metodo della silhouette
• Raggruppamento gerarchico
• Clustering mediante misurazione della densità DBSCAN
• Altri approcci di clustering
• Sintesi

Laboratorio: Clustering su un caso concreto