Appunti di Machine Learning

Corso di Introduzione al Machine Learning con approfondimenti teorici e matematici.

Contiene una parte propedeutica di programmazione in python (con attenzione alle liste in python) e  vedremo le librerie pandas, numpy, matplotlib, seaborn.

Ci sarà poi un veloce ripasso matematico  di Algebra Lineare, di probabilità e statistica e cenni sul Gradiente.

A seguire, vedremo i Metodi Parametrici di  Regressione e Classificazione, studio della  Loss Function,

Scalamento dei dati, Feature Selection e Regolarizzazione.

Vedremo anche come generare dei Grafici.

Ci saranno accenni ai metodi non parametrici, KNN K-nearest neighbors ed Alberi di decisione,

poi vedremo i Metodi non supervisionati, come Clustering, K-MEANS e cenni al PCA – Principal Component Analysis.

Ci sarà una sezione dedicata alle SVM – Macchine a vettori di supporto (Support-Vector Machine).

Una sezione sarà dedicata agli Ensemble.

Una sezione sarà  dedicata  alle reti neurali, le ANN – Artificial Neural Network

al percettrone MLP (MLP – Multilayer perceptron)

parkeremo della Backpropagation e qualche breve acenno al Deep Learning.

Il tutto corredato di semplici esempi pratici e qualche piccolo progetto.

Il corso è consigliato a chi ha già molta pratica con Python e sa già usare un IDE ed un ambiente di sviluppo (ad esempio Pycharm) perchè tutto il corso è impostato su Pycharm.

Indicato anche a chi deve avere un’approfondimento matematico per una comprensione universitaria o più tecnica dal punto di vista matematico sul machine learning.