Algoritmi di classificazione (es. regressione logistica, SVM, KNN).

Modulo 1: la Classificazione Contenuti: Cos'è un problema di classificazione? Differenza tra classificazione binaria e multi-classe. Obiettivi degli algoritmi di classificazione. Panoramica dei principali algoritmi di classificazione. Modulo 2: Preparazione dei Dati per la Classificazione Contenuti: Raccolta e pre-elaborazione dei dati per problemi di classificazione. Normalizzazione e standardizzazione dei dati. Gestione dei dati mancanti e codifica delle variabili categoriche. Suddivisione del dataset in set di addestramento e di test. Modulo 3: Valutazione delle Prestazioni degli Algoritmi di Classificazione Contenuti: le metriche di valutazione: accuratezza, precisione, richiamo, F1-score. Matrice di confusione. ROC curve e AUC (Area Under the Curve). Validazione incrociata (cross-validation) e overfitting. Modulo 4: la Regressione Logistica Contenuti: Cos'è la regressione logistica e come funziona. Funzione logistica (sigmoide) e probabilità predetta. Modello di regressione logistica per classificazione binaria. Interpretazione dei coefficienti del modello. Modulo 5: Addestramento e Ottimizzazione della Regressione Logistica Contenuti: Funzione di perdita della regressione logistica. Algoritmo di ottimizzazione: discesa del gradiente. Interpretazione dei parametri: odds ratio e probabilità. Estensione della regressione logistica a problemi multi-classe (One-vs-Rest). Modulo 6: Support Vector Machines (SVM) Contenuti: Introduzione a SVM: separazione lineare e non lineare. Concetto di margine e support vectors. Funzione di costo e obiettivo di massimizzare il margine. kernel trick per separazioni non lineari. Modulo 7: Ottimizzazione di una Support Vector Machine Contenuti: Funzione di perdita in SVM e ruolo del parametro C. Uso dei kernel lineari e non lineari (polinomiale, RBF). SVM per classificazione binaria e multi-classe. Scelta dei parametri di un SVM: tuning di C e gamma. Modulo 8: K-Nearest Neighbors (KNN) Contenuti: Cos'è KNN e come funziona. Calcolo della distanza tra i punti (euclidea, Manhattan, etc.). Funzione di predizione basata sui vicini più prossimi. KNN per classificazione binaria e multi-classe. Modulo 9: Ottimizzazione del Modello KNN Contenuti: Scelta del parametro K (numero di vicini). Normalizzazione delle caratteristiche per KNN. Vantaggi e svantaggi di KNN. Densità dei dati e impostazioni ottimali di K. Modulo 10: Confronto tra Regressione Logistica, SVM e KNN Contenuti: Analisi comparativa dei tre algoritmi di classificazione. Pro e contro di ogni algoritmo: complessità computazionale, interpretabilità, adattabilità a problemi non lineari. Caso di studio su quali algoritmi scegliere in base al tipo di problema. Modulo 11: Tecniche Avanzate di SVM Contenuti: SVM con margine morbido e rigido. Problemi di classificazione complessi con SVM. SVM per dati sbilanciati: pesi associati agli errori. Estensione a classificazione multi-classe con SVM. Modulo 12: Riduzione della Complessità Computazionale degli Algoritmi Contenuti: Tecniche per migliorare l'efficienza computazionale: riduzione dimensionale, selezione delle caratteristiche. l'algoritmo Principal Component Analysis (PCA). Riduzione dimensionale per KNN, SVM e regressione logistica. Modulo 13: Classificazione su Dati sbilanciati Contenuti: Problemi di classificazione su dataset sbilanciati. Tecniche per affrontare il bilanciamento: oversampling, undersampling. Modifiche nei modelli: cost-sensitive learning e modifiche nelle funzioni di perdita. Utilizzo delle metriche (Precision, Recall, F1-score) per valutare i modelli su dati sbilanciati. Modulo 14: Insiemi di Modelli e Random Forests Contenuti: Cos'è un ensemble learning. Random Forests: cos'è, come funziona e quando usarlo. Combinazione dei risultati da più modelli (bagging). Vantaggi e svantaggi delle Random Forests rispetto a SVM, KNN e regressione logistica. Modulo 15: Considerazioni Finali e Sviluppo di Modelli in un Workflow Completo Contenuti: Costruzione di un pipeline di machine learning. Preprocessing dei dati, addestramento e test dei modelli. Ottimizzazione e tuning dei modelli. Uso di librerie come Scikit-learn per implementare algoritmi di classificazione.