Comprendere e sperimentare l’utilizzo di alcuni degli algoritmi di Machine learning più importanti

• Introduzione al machine learning
• Modelli supervisionati e non supervisionati
• Training, test e validation set
• Concetto di modello matematico
• Definire lo scopo di un modello
• Regressioni, classificazioni e clustering
• Preparazione dei dati: dal dato grezzo ad un dataset utilizzabile
• Feature engineering
• Come gestire dataset sbilanciati
• Arricchire i dataset con dati sintetici e generative AI
• Principali strumenti per machine learning
• Modelli bayesiani
• Modelli polinomiali
• Modelli ad albero
• Reti neurali
• Esempi di applicazione reale
• Concetto di frugal coding
• Problemi di performance e come gestirli
• Come mettere in produzione un modello
• Come misurare le prestazioni di un modello

Applicazione degli algoritmi di Machine learning con esercitazioni su data set tratti da casi reali.