Python & Machine Learning

Giorno 1: Fondamenti Avanzati di Python e Preprocessing dei Dati

· Ripasso delle funzionalità avanzate di Python (decoratori, generatori, contesti)

· Introduzione a librerie avanzate: Scikit-learn, TensorFlow, Keras

· Tecniche di preprocessing dei dati: normalizzazione, standardizzazione, gestione dei valori mancanti

· Esercizi pratici: preparazione di un dataset per il machine learning

Giorno 2: Modelli di Machine Learning Supervisionato

· Introduzione ai modelli supervisionati: regressione lineare, regressione logistica, alberi decisionali

· Implementazione di modelli con Scikit-learn

· Valutazione dei modelli: metriche di performance (accuratezza, precisione, recall, F1-score)

· Esercizi pratici: costruzione e valutazione di un modello di classificazione

Giorno 3: Modelli di Machine Learning Non Supervisionato e Ottimizzazione

· Introduzione ai modelli non supervisionati: clustering (K-means, DBSCAN), riduzione della dimensionalità (PCA)

· Implementazione di modelli non supervisionati con Scikit-learn

· Tecniche di ottimizzazione dei modelli: Grid Search, Random Search

· Esercizi pratici: ottimizzazione di un modello e confronto delle performance

· Discussione finale e domande