Machine Learning Fundamentals

prerequisiti

• Conoscenza di base di informatica e programmazione.
• Familiarità con Python e la sua sintassi.
• Comprensione dei concetti fondamentali di algebra lineare e calcolo differenziale.
• Familiarità con la libreria Scikit-Learn per il machine learning.

Obiettivi

Al termine del corso, gli studenti avranno acquisito:

• Nozioni di base delle modalità di rappresentazione dei modelli di machine learning e delle differenze tra vari tipi di modelli.
• Familiarità con le funzioni di costo per valutare l’accuratezza dei modelli di machine learning.
• Conoscenza introduttiva del metodo del gradiente discendente per l’ottimizzazione dei modelli di machine learning.
• Capacità di base nell’implementare il gradiente discendente in Python.
• Consapevolezza delle tecniche di vettorizzazione per migliorare l’efficienza computazionale dei modelli di machine learning.
• Competenza iniziale nell’applicare tecniche di regressione lineare multipla per predire valori continui.
• Conoscenza pratica dell’utilizzo della libreria Scikit-Learn per implementare regressioni lineari.
• Comprensione dell’importanza del tasso di apprendimento nell’addestramento del modello.
• Nozioni introduttive alle tecniche di ingegneria delle caratteristiche per migliorare le prestazioni dei modelli di machine learning.
• Comprensione dei concetti di base della classificazione e della regressione logistica.
• Esperienza pratica nell’implementazione della regressione logistica utilizzando Python e Scikit-Learn.
• Capacità di interpretare i confini decisionali per modelli di classificazione semplici.
• Conoscenza introduttiva delle funzioni di costo specifiche per la regressione logistica, come il logistic loss.
• Consapevolezza delle tecniche di regolarizzazione per prevenire l’overfitting e migliorare la generalizzazione del modello.

Argomenti Trattati

Day 1

• Introduzione ai Jupyter Notebook
• Rappresentazione del Modello
• Cost Function
• Gradiente Discendente Uso dei Vettori
• Regressione Lineare Multipla
• Tasso di Apprendimento
• Features Engineering
• Regressione Lineare con Scikit-Learn

Day 2

• Classificazione
• Regressione Logistica
• Decision Boundary
• Logistic Loss
• Cost Function per la Regressione Logistica
• Gradiente Discendente per la Regressione Logistica
• Regressione Logistica usando Scikit-Learn
• Overfitting
• Cost e Gradiente Regolarizzato

Info aggiuntive

Laboratori in dotazione:
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.