Corso di Aggiornamento su AutoML (Automated Machine Learning)

Modulo 1: Introduzione ad AutoML Definizione di AutoML e importanza nel panorama del machine learning Storia e evoluzione dell’AutoML Benefici e sfide legate all’automazione del processo di machine learning Modulo 2: Fondamenti di Machine Learning Introduzione ai concetti base del machine learning Supervised learning vs unsupervised learning Tipologie di modelli di machine learning Modulo 3: Componenti di un Sistema AutoML Analisi dei principali componenti che costituiscono un sistema AutoML Automazione del preprocessing, della selezione dei modelli e dell’ottimizzazione Differenze tra piattaforme AutoML open-source e proprietarie Modulo 4: Preprocessing dei Dati con AutoML Importanza della preparazione dei dati nel machine learning Tecniche automatizzate di pulizia e trasformazione dei dati Gestione dei valori mancanti e normalizzazione Modulo 5: Selezione Automatica del Modello Tecniche di selezione automatica dei modelli Utilizzo di algoritmi come la ricerca a griglia e la ricerca casuale Metodi per la selezione del miglior modello in base ai dati Modulo 6: Ottimizzazione degli Iperparametri Cos'è l’ottimizzazione degli iperparametri e come avviene in AutoML Tecniche avanzate: ricerca bayesiana, ottimizzazione genetica, ricerca a griglia e a casuale Importanza dell'ottimizzazione per migliorare le performance Modulo 7: Valutazione dei Modelli Come valutare un modello di machine learning: metodi e metriche Accuracy, precision, recall, F1-score, AUC-ROC e altre metriche di valutazione Validazione incrociata e test set Modulo 8: Modelli di Ensemble in AutoML Cos’è un ensemble e perché è utile in AutoML Tecniche di ensemble: bagging, boosting, stacking Applicazione dei modelli di ensemble nei sistemi AutoML Modulo 9: Algoritmi di Machine Learning Popolari in AutoML Panoramica sugli algoritmi più comuni: Decision Trees, Random Forest, Gradient Boosting, SVM Come questi algoritmi vengono automaticamente applicati in AutoML Vantaggi e limiti nell’uso di ciascun algoritmo Modulo 10: Deep Learning in AutoML Cos'è il deep learning e come si inserisce nell’AutoML Strumenti per l’automazione del deep learning: TensorFlow, Keras, PyTorch Differenze tra tecniche di machine learning tradizionali e deep learning Modulo 11: Gestione dei Dati Imbalance Come AutoML gestisce i dataset sbilanciati Tecniche per il bilanciamento dei dati: SMOTE, undersampling, oversampling Applicazioni pratiche per i modelli di classificazione sbilanciati Modulo 12: AutoML e Cloud Computing Come le piattaforme cloud facilitano l’adozione dell’AutoML Confronto tra le principali piattaforme cloud: Google Cloud AutoML, Microsoft Azure AutoML, Amazon SageMaker Vantaggi dell’uso delle risorse scalabili nel contesto AutoML Modulo 13: AutoML per il Business Come l'AutoML supporta l’automazione in ambito aziendale Casi d'uso: Customer Relationship Management (CRM), analisi predittiva, marketing personalizzato Implementazioni pratiche di AutoML in settori diversi Modulo 14: Etica e Implicazioni dell'AutoML Implicazioni etiche legate all'uso dell'AutoML Bias nei modelli automatizzati e come mitigarli Sicurezza, privacy e regolamentazioni nell’automazione del machine learning Modulo 15: Tendenze Future e Innovazioni in AutoML Evoluzione dell'AutoML e gli sviluppi futuri nel campo Nuove tecnologie emergenti in AutoML: AutoML 2.0, trasferimento di conoscenza, AutoML e spiegabilità Impatti potenziali dell'AutoML su ricerca, industria e società