20 ore di formazione sugli algoritmi fondamentali di Machine Learning
Se vuoi diventare un professionista del Machine Learning allora sei nel posto giusto. Il corso Algoritmi di Machine Learning ti condurrà attraverso un’immersione completa nel mondo dell’apprendimento automatico, coprendo tutti gli algoritmi essenziali e fornendo un’ampia gamma di esercitazioni pratiche utilizzando scikit-learn.
Il machine learning è in continua crescita ed è al centro di enormi innovazioni in ogni settore, dall’analisi dei dati all’intelligenza artificiale. In questo corso, esploreremo i principali algoritmi di machine learning utilizzati dai professionisti. Con una combinazione di teoria e pratica, acquisirai le competenze necessarie per progettare e implementare algoritmi di apprendimento automatico in modo efficace. Alla fine di questo corso, sarai in grado di progettare, implementare e valutare algoritmi di machine learning con sicurezza e competenza. Sarai in grado di riconoscere le diverse sfide del machine learning e di applicare le tecniche adeguate per affrontarle. Il tuo profilo come Machine Learning Engineer sarà altamente richiesto dalle aziende, poiché avrai acquisito le competenze necessarie per guidare progetti di machine learning di successo.
Il corso è composto dai seguenti 8 moduli:
Modulo 1 - Introduzione
- Introduzione al corso
- Introduzione al ML
- Processo di implementazione
- No Free Lunch Theorem
Modulo 2 - Clusterizzazione
- Introduzione alla clusterizzazione
- KMeans
- DBScan
- Esercitazione su K Means
- Esercitazione su DBScan
Modulo 3 - Riduzione della dimensionalità
- Introduzione - The curse of dimensionality
- PCA
- t-SNE
- Esercitazione PCA - 1
- Esercitazione PCA - 2
- Esercitazione su PCA e t-SNE
Modulo 4 - Naive Bayes
- Introduzione e concetti di base
- Esercitazione - Spam Detection
- Approfondimento su NB (Bernoulli, Gaussian, Multinomial)
- Esercitazione GaussianNB
- Esercitazione MultinomialNB
- Naive Bayes per l'MNIST
Modulo 5 - KNN
- Introduzione e concetti di base
- Esercitazione dataset wines
- Focus su distanze: Minkowski, Mahalanobis
- Esercitazione su KNN con distanza di Mahalanobis
Modulo 6 - SVM
- Introduzione e concetti di base
- Approfondimento teorico
- Esercitazione - Visualizzare i vettori di supporto
- Esercitazione - Classificazione di immagini
Modulo 7 - Alberi e modelli ensemble
- Introduzione e concetti di base
- Esempio di costruzione con Gini impurity
- Esempio di costruzione con Entropy (codice)
- Esercitazione Alberi Decisionali
- Esercitazione alberi e confini decisionali
- Ensemble learning e random forest
- Esercitazione Random Forest
- Boosting
- Adaboost
- Gradient Boosting
- Cenni su XGBoost
- Cenni su CatBoost
- Esercitazione con XGBoost
- Esercitazione con CatBoost
- Esercitazione hero level su alberi
Modulo 8 - Metriche
- Metriche per valutare un modello: Matrice di confusione, metriche per la classificazione (Accuracy, Precision, Recall, Specificity, Balanced Accuracy, F1-Score, ROC, AUC), metriche per la regressione (MAE, MSE, R quadro)
- Esercitazione: valutare un modello con differenti metriche
- Esercitazione: valutare un modello per la regressione con differenti metriche
Prima di procedere all'acquisto si prega di prendere visione della:
- Informativa sul trattamento dei dati personali
- Condizioni generali di vendita