Introduzione al Machine Learning

Il corso offre una panoramica completa sulla modellazione e previsione, integrando aspetti teorici e pratici.

Fondamenti di Modellazione: panoramica generale, flusso di lavoro standard, apprendimento supervisionato, non supervisionato e semi-supervisionato.

Introduzione al Machine Learning: tecniche principali e loro applicazioni.

Problemi di classificazione: esempi pratici in Python utilizzando Scikit-learn.

Problemi di regressione: dimostrazioni pratiche in Python e definizione di un framework per l'analisi di regressione.

Interpretabilità del modello: introduzione ai Shapley Values.

Valutazione e ottimizzazione del modello: gestione dell'overfitting, ottimismo del modello, tecniche di cross-validation.

Valutazione delle performance: metriche per modelli di classificazione e regressione.

Feature Engineering: tecniche di base per il trattamento di dati temporali e testuali, selezione delle variabili, ingegneria delle feature su dati di serie temporali.

Reti Neurali: introduzione alle reti neurali con Keras e TensorFlow.

Analisi delle Serie Temporali: utilizzo di strumenti come Pandas, Qandl e Prophet per la modellazione e la previsione.