Machine Learning con Python

Il corso parte dai fondamenti dell'apprendimento automatico e li traduce in codice Python: si costruiscono i primi modelli semplici, come il perceptron e il neurone adattivo, poi si passa alla regressione logistica, agli alberi decisionali e alle foreste casuali. Si impara a sistemare dati incompleti, a dividere un dataset tra fase di allenamento e fase di test e a usare la regolarizzazione per contenere l'overfitting, con un primo approccio alla riduzione della dimensionalità. Chi ha già seguito un percorso introduttivo sull'intelligenza artificiale trova qui il passaggio dalla teoria alla realizzazione pratica; ne beneficiano anche sviluppatori, analisti di dati e studenti che conoscono già le basi di Python e vogliono usarle per lavori concreti.

• Introduzione e obiettivi del Corso
• I tre tipi di Machine Learning
• La base del Machine Learning
• Installazione di Python ed Anaconda
• Perceptron, parte 1
• Perceptron, parte 2
• Perceptron, parte 3
• Neurone lineare adattivo Adaline, parte 1
• Neurone lineare adattivo Adaline, parte 2
• Adaline e la discesa del gradiente stocastica, parte 1
• Adaline e la discesa del gradiente stocastica, parte 2
• Perceptron con Scikit-learn
• Raffigurazione Perceptron con Scikit-learn
• La funzione Sigmoide
• La regressione logistica
• Alberi decisionali e Foreste casuali
• Come lavorare con dati mancanti
• Partizionamento del database in test e train
• La regolarizzazione L1
• Algoritmo per la riduzione delle dimensionalita’, parte 1