What you'll learn:
- Padroneggiare il machine learning con Python
- Analisi di un dataset per estrapolare informazioni utili
- Funzionamento dei modelli di machine learning più diffusi
- Utilizzare il machine learning su problemi reali
- Differenza tra modelli supervisionati e non supervisionati
- Scegliere ed ottimizzare un modello di machine learning
- Eseguire predizioni e classificazioni partendo dai dati
- Eseguire clustering per raggruppare automaticamente dati simili
- Imparare ad utilizzare Pandas e Scikit-learn
- Lavorare con iPython e Jupyter Notebook
Fai un passo verso il futuro: AI, Machine Learning e Data Science.
Sai cosa accomuna il successo dei più grandi colossi del web come Google, Amazon e Facebook ?
L'utilizzo che hanno fatto del machine learning.
Il machine learning è la branca dell'intelligenza artificiale che ha lo scopo di insegnare ai computer ad apprendereautonomamente, senza essere esplicitamente programmati.
Il machine learning non è una novità, ma è finito sotto la luce dei riflettori solo con il nuovo millennio, per due motivi:
L'enorme quantità di dati oggi disponibile sul web.
Il progresso della tecnologia e il crescente aumentodella potenza di calcolo.
Questi due fattori, uniti alle sue innumerevoli applicazioni commerciali,stanno contribuendo alla crescita vertiginosa del machine learningche sta trascinando con se l'intero campo dell'intelligenza artificiale.
In questo corso pratico imparerai come funziona il machine learning e come utilizzarloin maniera pratica, utilizzando il linguaggio Python e librerie popolari come Scikit-learn, Pandas e PyPlot.
Vuoi dare una svolta alla tua carriera ?
L'esperto di machine learning è la professione del futuro e Linkedin lo conferma; secondo una loro recente ricerca il Machine Learning Engineer è la nuova figura più ricercata dalle aziende con un tasso di crescita di quasi il 1000% negli ultimi 5 anni ed è subito seguito dal Data Scientist.
Al termine di questo corso avrai acquisitol'esperienza pratica e le intuizioni teoriche necessarie per lanciare la tua carriera in entrambe queste due nuove professioni.
Vuoi fondare la tua startup nel campo dell'AI ?
Il valore totale del mercato dell'intelligenza artificiale nel 2016 era di 1.3 miliardi di dollari; secondo una ricerca di un'importantesocietà di analisi americanail suo valore per il 2025 potrebbe superare il 60 miliardi.
L'AI è la next big thingeil machine learning ne è il cuore pulsante.
Seguendo questo corso otterrai una visione generale del machine learning e come questo si lega all'intelligenza artificiale e potrai utilizzare queste tue nuoveconoscenzeper dare vita al tuo business.
A chi è rivolto questo corso ?
Questo corso fa per te se:
Vuoi imparare le principali tecniche del machine learning e metterle in pratica da subito, sapendo cosa avviene sotto ogni algoritmo ma senza perderti in matematicismi eccessivi.
Questo corso non fa per te se:
Hai studiato tanta matematica e vuoi continuare a vederne tanta, sei più per la teoria che per la pratica, ami i formalismi e preferisci apprendere da chi ha almeno il doppio dei tuoi anni.
Non sai (ancora) programmare e non conosci il linguaggio Python ?
Non preoccuparti, ti insegneremo tutto noi durante il corso senza dare nulla per scontato! L'unica cosa di cui hai bisogno per affrontare questo corso è qualche base di matematica da scuola superiore.
I contenuti del corso
Inizieremo il corso esplorando in breve il vasto campo dell'intelligenza artificiale, come il machine learning si inserisce al suo interno e come quest'ultimo è legatoal data science. Costruiremo insieme il tuo ambiente di lavoro, in base alle tue personali esigenze e preferenze.
Subito dopo cominceremo a sporcarci le mani lavorando sul nostro primo dataset. Vedremo insieme le principali tecniche di data preprocessing e feature engineering, ovvero come ottimizzare e manipolare un dataset per renderlo un buon input per un algoritmo di machine learning.
Dopo aver appreso come lavorare con un dataset potremo iniziare a parlare di machine learning.
Ti saranno presentati i due principali tipi di apprendimento:
Apprendimento supervisionato.
Apprendimento non supervisionato
Eseguiremo una regressione per stimare ilvalore di un'abitazione in base a diverse sue caratteristiche, come metratura, piani e numero di stanze,e studieremo brevemente i principali modelli per questo tipo di problema:
Regressione lineare semplice
Regressione polinomiale
Regressione multipla.
Affronteremo il problema di overfitting e come bias e varianza lo controllano, per contrastarlo studieremo i principali modelli di regressione regolarizzati:
Lasso
Ridge Regression
Elasticnet
Al termine di questa sezione avrai ottime basi diregressione e saprai come creare i tuoi modelli autonomamente, quindipotremo passare al secondo tipo di problema: la classificazione.
Eseguiremo la nostra prima classificazione, utilizzando un dataset contenente immagini di cifre scritte a mano (MNIST).
Cominceremo con un modello di classificazione lineare: la regressione logistica, vedendo come questa può essere utilizzata per classificare esempi tra due classio classi multiple.
Proseguiremo osservando i limiti dimodelli lineari eivantaggi di un approccio non lineare,quindivedremoiprincipali modelli di questa nuova categoria:
Alberi e foreste
Kernel SVM
Nearest neighbors
Reti neurali artificiali
A questo punto saprai già come costruire i tuoi modelli per i due principali problemi dell'apprendimento supervisionato: regressione e classificazione.
Concluderemo la sezione contecniche di debugging eottimizzazione per rendere i tuoi modelli robusti e velocizzare la fase di addestramento.
Nella sezione successiva passeremo alla seconda categoria di apprendimento: l'apprendimento non supervisionato.
Affronteremo il problema delclustering, ovvero come creare automaticamente dei gruppi di dati riconoscendo delle caratteristiche condivise all'interno deldataset; a questo scopo studieremo l'algoritmo di clustering più diffusi, sia in ambito accademico che industriale:
K-Means
ClustringGerarchico
DBSCAN
Tecniche di Riduzione della Dimensionalità si rivelano incredibilmente utili quando lavoriamo con dataset che hanno un numero elevato di dimensioni, sia per poterli visualizzare graficamente, sia per poter velocizzare la fase di addestramento. In questa sezione parleremo proprio di questi argomenti.
Termineremo il corso con alcuni consigli su come proseguire, raccomandazioni su libri da leggere per approfondire la parte teorica e competizioni Kaggle a cui partecipare per affinare le skills pratiche.
