Programma in fase di aggiornamento, potrebbe subire delle variazioni:
Richiedi informazioni per ricevere l’anteprima
Fondamenti di Python e Analisi Esplorativa dei Dati
Installazione e Fondamenti di Python
- Configurazione dell’ambiente di sviluppo con Python e conda
- Introduzione a Jupyter Notebook per un’esperienza interattiva
- Sintassi base di Python: variabili, tipi di strutture dati (liste, dizionari, array), strutture di controllo, funzioni
- Esercizi
Manipolazione del Dato con e analisi esplorativa (Librerie fondamentali)
- Introduzione alle librerie di Python
- Creazione e gestione dei DataFrame (Pandas)
- Operazioni essenziali: selezione, filtro, aggregazione
- Pulizia dei dati e gestione dei valori mancanti
- Visualizzazione dati con Matplotlib per insight visivi
- Statistiche descrittive e analisi esplorativa
Pratica Guidata: EDA su un Dataset di Esempio
Machine Learning e Modellazione
Introduzione al Machine Learning
- Panoramica su AI, Machine Learning e Deep Learning
- Apprendimento supervisionato: come impara una macchina
- Task supervisionati: classificazione e regressione
- Gestire l’overfitting (compromesso tra bias e varianza del modello)
Validazione e Metriche di Valutazione
- Tecniche di validazione: training set, test set
- Metriche di valutazione dei modelli
- Best practices per la validazione dei modelli
Preparazione del Dato per il Machine Learning
- Tecniche di trasformazione dei dati: normalizzazione, standardizzazione
- Codifica delle variabili categoriali (one-hot encoding e ordinal encoding)
- Gestione dataset sbilanciati
Machine Learning in pratica (scikit-learn)
- Introduzione a scikit-learn
- Preparazione del dato in pratica
- Implementazione e allenamento dei modelli
Esercitazione Finale: Sviluppo di un Modello di Machine Learning
Basi di MLOps e Deep Learning (Reti Neurali)
Pipeline di Machine Learning Avanzate
- Creazione di pipeline complesse per l’automazione del workflow di machine learning
- Ottimizzazione dei modelli (hyperparameter tuning con GridSearchCV, RandomizedSearchCV, da valutare ottimizzazioni più avanzate: HyperOpt)
- Esercizi
Introduzione a MLflow
- Panoramica di MLflow: che cos’è e perché usarlo
- Tracciamento degli esperimenti: come registrare e visualizzare le metriche dei modelli, parametri e grafici
- Gestione dei modelli: salvataggio e caricamento dei modelli
- Model registry: gestione delle versioni dei modelli
Pratica Guidata: Creazione di Pipeline e Utilizzo di MLflow
Introduzione alle Reti Neurali
- Concetti Fondamentali:
- Cos’è una rete neurale?
- Neurone artificiale e funzioni di attivazione
- Architettura di base: strati (input, layer nascosti, output)
- Implementazione Semplice con Keras:
- Introduzione a Keras (Tensorflow)
- Creazione di un modello sequenziale
- Compilazione del modello (definizione della loss function e ottimizzatore)
Pratica Guidata: Implementazione di una Rete Neurale
- Set-up e Preprocessing:
- Caricamento e preparazione dei dati (normalizzazione, suddivisione in training e test set)
- Costruzione e Addestramento del Modello:
- Definizione della struttura della rete (numero di strati e neuroni)
- Training del modello e monitoraggio della performance
- Valutazione e Ottimizzazione:
- Valutazione della precisione del modello su dati di test
- Introduzione a tecniche di miglioramento (tuning degli iperparametri, Dropout)