Corso di Aggiornamento su Machine Learning Avanzato

Modulo 1: Machine Learning Avanzato Panoramica del corso e obiettivi Differenza tra Machine Learning Supervisionato, Non Supervisionato e Rinforzato Rivedere i concetti base del ML e dell’analisi dei dati Applicazioni avanzate del Machine Learning in vari settori Modulo 2: Modelli di Regressione Avanzati Regressione lineare avanzata (Regressione Ridge, Lasso e ElasticNet) Modelli di regressione non lineare (Regressione polinomiale, SVM per la regressione) Regularizzazione e ottimizzazione dei modelli di regressione le tecniche di regressione robuste Modulo 3: Classificazione Avanzata Support Vector Machines (SVM) avanzate Classificazione multi-classe e multi-label Tecniche di boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM) Classificazione con Neural Networks (Reti neurali per la classificazione complessa) Modulo 4: Tecniche di Ensemble Learning Cos’è l'Ensemble Learning e i suoi vantaggi Bagging vs Boosting: concetti, tecniche e applicazioni Random Forest, XGBoost, e LightGBM in pratica Stacking e Voting Classifier per migliorare le performance Modulo 5: Reti Neurali e Deep Learning: Fondamenti Avanzati Panoramica sulle reti neurali profonde (Deep Neural Networks - DNN) Architetture avanzate di reti neurali (CNN, RNN, LSTM) Backpropagation avanzata e funzioni di attivazione (ReLU, Leaky ReLU, etc.) Ottimizzazione con Adam, RMSprop, e tecniche di ottimizzazione avanzate Modulo 6: Reti Neurali Convoluzionali (CNN) le CNN e loro applicazioni (vision, NLP) Struttura di una CNN: convoluzione, pooling, fully connected layers Reti CNN avanzate per il riconoscimento di immagini Tecniche di trasferimento dell’apprendimento (Transfer Learning) con CNN Modulo 7: Reti Neurali Ricorrenti (RNN) e LSTM Struttura e funzionamento delle RNN LSTM e GRU per la gestione delle sequenze temporali Applicazioni di RNN e LSTM per NLP, time series, e sequenze video Addestramento e ottimizzazione delle RNN/LSTM per problemi complessi Modulo 8: Autoencoders e Apprendimento Non Supervisionato Cos’è un autoencoder e come funziona Autoencoders per la riduzione della dimensione e l’eliminazione del rumore Variational Autoencoders (VAE) e applicazioni avanzate Uso degli autoencoders per la generazione di nuovi dati Modulo 9: Reinforcement Learning Avanzato Fondamenti del Reinforcement Learning: politiche e funzioni di valore Algoritmi avanzati di RL: Q-learning, Deep Q-Networks (DQN), Policy Gradient Applicazioni avanzate del RL (robotica, giochi, ottimizzazione dei processi) Training delle reti neurali con l’approccio RL Modulo 10: Tecniche Avanzate di Ottimizzazione Ottimizzazione stocastica e gradient descent (mini-batch, SGD, Adam) Hyperparameter tuning: grid search, random search, Bayesian optimization Tecniche di regolarizzazione avanzata: Dropout, Batch Normalization Ottimizzazione dei modelli in ambienti di produzione Modulo 11: Apprendimento per Trasferimento e Fine-Tuning Cos'è l'apprendimento per trasferimento e come applicarlo Fine-tuning delle architetture pre-addestrate su nuove problematiche Transfer Learning con modelli come BERT, GPT, ResNet Tecniche di adattamento dei modelli a nuovi domini e dataset Modulo 12: Apprendimento Semi-Supervisionato e Adversarial Learning Cos'è l'apprendimento semi-supervisionato e dove si applica Generative Adversarial Networks (GANs) e loro funzionamento Addestramento di modelli con dati parzialmente etichettati Applicazioni dei GANs in generazione di immagini, video e testi Modulo 13: Applicazioni Avanzate di NLP (Natural Language Processing) Tecniche avanzate per l'elaborazione del linguaggio naturale Modelli di linguaggio pre-addestrati (BERT, GPT, T5) e applicazioni Trasformatori e Attention Mechanism in NLP Applicazioni pratiche di NLP in traduzione, sentiment analysis, e chatbot Modulo 14: Anomaly Detection e Analisi di Outliers Identificazione e gestione degli outliers in ML Tecniche di anomaly detection: Isolation Forest, DBSCAN, One-Class SVM Applicazioni avanzate dell'anomaly detection: cybersecurity, fraud detection Implementazione di modelli di anomaly detection su grandi dataset Modulo 15: Integrazione e Implementazione di Modelli in Produzione Deployment dei modelli in ambienti di produzione Introduzione ai framework di ML per la produzione (TensorFlow Serving, MLflow) Monitoraggio e manutenzione dei modelli in produzione Considerazioni etiche e pratiche sull'uso dei modelli ML in ambienti reali