Esercitazioni del corso di Apprendimento Automatico
Il corso è suddiviso in diverse sezioni, ciascuna dedicata a un aspetto specifico dell'Apprendimento Automatico. Gli argomenti trattati includono:
-
Differenza tra Problema e Modello: Comprenderemo la distinzione tra problemi di apprendimento automatico e i modelli utilizzati per risolverli.
-
Classificazione Binaria e Multi-classe: Esploreremo la classificazione binaria e le tecniche per trasformarla in una classificazione multi-classe.
-
Apprendimento di Concetti tramite Formule Logiche: Impareremo come rappresentare concetti utilizzando formule logiche.
-
Modelli ad Albero: Approfondiremo i modelli ad albero, i loro scopi e le loro applicazioni.
-
Modelli a Regole: Daremo un'occhiata ai modelli basati su regole e alle loro caratteristiche.
-
Ricerca di Sottogruppi (Subgroup Discovery): Esamineremo la ricerca di sottogruppi nei dati.
-
Modelli Lineari: Copriremo modelli come i minimi quadrati e la regressione lineare.
-
Support Vector Machines e Metodi Kernel: Approfondiremo le Support Vector Machines e i metodi kernel per l'apprendimento automatico.
-
Decomposizione Bias-Varianza e Overfitting: Discuteremo la decomposizione bias-varianza e come gestire il problema dell'overfitting.
-
Modelli Basati su Distanza: Esploreremo modelli basati su distanza come i k-nearest neighbors e il clustering.
-
Tipi di Attributi e Trasformazioni: Distinzione tra tipi di attributi, operazioni ammesse e descrizioni statistiche. Tratteremo anche la trasformazione tra attributi, inclusa la normalizzazione e la discretizzazione.
-
Modelli Probabilistici: Approfondiremo modelli come la massima verosimiglianza, la regressione logistica, i modelli Bayesiani, naive Bayes ed Expectation-Maximization.
-
Ensemble Learning: Esamineremo l'Ensemble Learning, inclusi Bagging, AdaBoost e Decision Forests.
-
Validazione dei Modelli e Significatività Statistica: Discuteremo come validare i modelli e valutare la loro significatività statistica.
Gli obiettivi formativi di questo corso includono:
- Introdurre gli studenti al campo dell'Apprendimento Automatico.
- Fornire competenze informatiche e statistiche per affrontare problemi di apprendimento automatico.
- Coprire una vasta gamma di modelli e tecniche utilizzate nell'Apprendimento Automatico.
- Abilitare gli studenti a sperimentare con dati reali utilizzando la suite software open source Scikit Learn.