Corso di Machine Learning

Modulo 1: Machine Learning Cos'è il machine learning e come si distingue dalla programmazione tradizionale Tipi di machine learning: supervisionato, non supervisionato, semi-supervisionato, rinforzato Applicazioni del machine learning: visione artificiale, NLP, previsione, raccomandazioni Modulo 2: Fondamenti di Statistica e Probabilità nel Machine Learning Concetti di base di probabilità e statistica applicati al machine learning Distribuzioni di probabilità e inferenza statistica L'importanza dei concetti statistici nel costruire modelli predittivi Modulo 3: Preprocessing dei Dati per il Machine Learning L'importanza della qualità dei dati nei modelli di machine learning Pulizia e trasformazione dei dati: normalizzazione, standardizzazione, gestione dei valori mancanti Tecniche di codifica delle variabili categoriche (one-hot encoding, label encoding) Modulo 4: Regole di Ottimizzazione e Funzione di Costo Cos'è una funzione di costo (loss function) La minimizzazione della funzione di costo e l’ottimizzazione del modello Algoritmi di ottimizzazione comuni: gradiente discendente, gradiente discendente stocastico Modulo 5: Regressione Lineare Fondamenti della regressione lineare: concetto di predizione continua Interpretazione dei coefficienti di regressione Calcolo degli errori e valutazione del modello (MSE, RMSE) Modulo 6: Regressione Logistica Cos'è la regressione logistica e come viene utilizzata per la classificazione binaria Funzione sigmoide e probabilità di classe Calcolo della probabilità e delle metriche di valutazione (accuratezza, precisione, recall, F1-score) Modulo 7: K-Nearest Neighbors (KNN) Cos'è l’algoritmo KNN e come funziona per la classificazione La distanza tra i punti e la selezione del parametro K Applicazioni e limiti dell’algoritmo KNN Modulo 8: Support Vector Machines (SVM) la Support Vector Machine e concetti di margine e separabilità Funzione del kernel e la separazione non lineare SVM per classificazione e regressione Modulo 9: Alberi di Decissione e Random Forest Cos'è un albero di decisione e come costruirlo Overfitting e pruning degli alberi Random Forest: l'algoritmo ensemble e al voto maggioritario Modulo 10: Gradient Boosting e XGBoost Cos'è il gradient boosting e come migliora la previsione L’importanza dell’algoritmo boosting per modelli più accurati XGBoost: implementazione e vantaggi pratici Modulo 11: Clustering e Algoritmi Non Supervisionati Cos’è il clustering e a cosa serve Algoritmi di clustering: K-means, DBSCAN, Agglomerative Clustering Valutazione dei cluster e misure di similarità (silhouette score) Modulo 12: Reti Neurali e Deep Learning le reti neurali artificiali Struttura di una rete neurale: neuroni, strati, attivazione Cos'è il deep learning e differenze con il machine learning tradizionale Modulo 13: Overfitting e Regularizzazione Cos’è l'overfitting e come influisce sui modelli di machine learning Tecniche di regularizzazione: L1 (lasso) e L2 (ridge) Cross-validation per evitare l'overfitting Modulo 14: Valutazione dei Modelli di Machine Learning Cos’è la validazione incrociata (cross-validation) Metriche di valutazione per i modelli di machine learning: accuracy, precision, recall, AUC-ROC Matrice di confusione e analisi degli errori Modulo 15: Reinforcement Learning Cos’è il reinforcement learning e i concetti di agente, ambiente, ricompensa e azione Algoritmi principali di reinforcement learning: Q-learning e Deep Q-Networks Applicazioni del reinforcement learning: giochi, robotica, ottimizzazione