Machine Learning con Python

Descrizione

Il corso Machine Learning con Python fornisce le competenze tecniche e teoriche per trattare con successo  veri problemi di machine learning, accompagnando lo studente lungo l’intera filiera di lavorazione dal dato: potrai imparare a programmare in Python le tecniche di acquisizione dei dati, pre-processing e data quality, valutazione degli algoritmi, ottimizzazione dei parametri e valutazione finale dei risultati ottenuti.

Obiettivi

Implementare algoritmi di machine learning utilizzando Python e le sue più famose librerie, comprendendo la teoria sottostante e permettendo allo studente di affrontare con autonomia e successo problemi di analisi dei dati che richiedono un approccio predittivo e non dichiarativo.

Conoscenze in uscita

A fine corso i partecipanti saranno in grado di:

• Utilizzare Python in combinazione con la libreria Beautiful Soup e le espressioni regolari per acquisire dati dal web (es: Github o Instagram);
• Costruire delle piccole intelligenze artificiali capaci di risolvere problemi di classificazione e regressione di testo e immagini.

Tecnologie utilizzate: Python, Anaconda, Spyder, principali librerie di Python: Pycaret, Pandas, Numpy, Seaborn, MatplotLib, Scikit-Learn, Beautiful Soup, requests e JSON.

Programma didattico

• Breve introduzione alla sintassi di Python e al paradigma della programmazione a oggetti
• Acquisizione dei dati da file .csv, excel, dal web e da database
• Visualizzare e analizzare i dati con la libreria Seaborn
• Filtrare, raggruppare e lavorare i dati con la libreria Pandas
• Le tecniche di pre processing del machine learning implementate con Scikit-Learn e Pycaret:
  • Imputazione dati mancanti
  • Codifica variabili categoriche
  • Valutazione degli outliers
  • Normalizzazione dei dati
  • Algoritmi per la selezione ed estrazione delle caratteristiche
• Campionamento dei dati per attività di training, test e validazione
• Implementazione di algoritmi di classificazione supervisionata con Scikit-Learn e Pycaret
• Algoritmi di regressione logistica, discesa del gradiente, alberi decisionali, random forest, Knn.
• Tuning degli algoritmi, convalida incrociata e analisi di problematiche di overfitting
•  Valutazione dei risultati ottenuti: matrice di confusione, accuratezza e precisione
• Introduzione alla regressione statistica e alla correlazione
• Algoritmi di regressione con Scikit-Learn e Pycaret.
• Combinare i risultati di algoritmi differenti per ottenere risultati più robusti
• Introduzione allo scraping dal web e alla sentiment analysis tramite le librerie Beautiful
• Soup, requests, json e l’utilizzo di espressioni regolari.
• Introduzione a problemi di classificazione non supervisionata:
  • Clustering
  • Regole associative
  • Anomaly detection