Algoritmi di clustering (K-means, DBSCAN).

Modulo 1: Clustering e ai Modelli di Apprendimento Non Supervisionato Cos'è il clustering e quando usarlo Differenza tra apprendimento supervisionato e non supervisionato Panoramica sugli algoritmi di clustering Modulo 2: Concetti Fondamentali del Clustering Definizione di cluster, centroidi e densità Misure di distanza: Euclidea, Manhattan, Coseno Valutazione dei cluster: compattezza e separazione Modulo 3: Algoritmi di Clustering: Panoramica Generale Tipi di algoritmi di clustering: partizionamento, gerarchico, basato sulla densità Differenze tra K-means e DBSCAN Applicazioni pratiche del clustering Modulo 4: Clustering con K-means Cos'è l'algoritmo K-means Inizializzazione e scelta del numero di cluster (K) Passaggi dell'algoritmo: assegnazione dei punti e aggiornamento dei centroidi Modulo 5: Implementazione di K-means in Python Utilizzo della libreria scikit-learn per implementare K-means Come scegliere il numero di cluster (metodo del gomito) Esempi pratici con dati reali Modulo 6: Valutazione dei Risultati di K-means Misure di valutazione del clustering: silhouette score, Davies-Bouldin Index Interpretazione dei risultati del clustering Gestione dei casi di clustering non ottimale Modulo 7: Limitazioni di K-means e Tecniche di Miglioramento Problemi di K-means: scelta del numero di cluster, sensibile ai dati iniziali Algoritmi di miglioramento: K-means++ Trattamento dei dati non lineari e non isotropici Modulo 8: Introduzione a DBSCAN (Density-Based Spatial Clustering of Applications with Noise) Cos'è DBSCAN e come funziona Parametri principali: eps (raggio di vicinanza) e min_samples (minimo numero di punti per formare un cluster) Vantaggi di DBSCAN rispetto a K-means Modulo 9: Implementazione di DBSCAN in Python Utilizzo della libreria scikit-learn per implementare DBSCAN Configurazione dei parametri eps e min_samples Esempi pratici di clustering con DBSCAN su dati reali Modulo 10: Confronto tra K-means e DBSCAN Differenze principali: K-means (basato su centroidi) vs DBSCAN (basato sulla densità) Quando utilizzare K-means vs DBSCAN in base al tipo di dati Analisi comparativa delle prestazioni su vari dataset Modulo 11: Valutazione dei Risultati di DBSCAN Misure di qualità del clustering per DBSCAN Identificazione di outliers o rumore nei risultati Utilizzo del silhouette score per DBSCAN Modulo 12: Clustering Gerarchico come Alternativa Cos'è il clustering gerarchico e come funziona Differenze tra clustering gerarchico e K-means/DBSCAN Visualizzazione del clustering gerarchico tramite dendrogrammi Modulo 13: Clustering su Dati ad Alta Dimensione Come gestire il clustering su dati con molte caratteristiche Tecniche di riduzione dimensionale (PCA) prima del clustering Problemi di curse of dimensionality e soluzioni Modulo 14: Clustering su Dati Non Lineari Come K-means e DBSCAN si comportano su dati non lineari Tecniche avanzate per clustering su dati non lineari: clustering basato su densità (HDBSCAN) Applicazioni pratiche su dati complessi e ad alta variabilità Modulo 15: Applicazioni e Tendenze Future nel Clustering Applicazioni reali del clustering: segmentazione del mercato, analisi delle immagini, rilevamento delle anomalie Tendenze future: clustering in ambienti di Big Data, utilizzo di GPU e metodi di clustering più avanzati Uso del clustering in combinazione con altre tecniche di machine learning