Apprendimento Supervisionato delle Macchine

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

Iniziamo con il modello di Regressione Lineare più semplice! Verranno illustrati i concetti fondamentali della Regressione Lineare e le modalità di effettuare previsioni in Python.

La maggior parte delle attività di previsione nel mondo reale coinvolge più di una caratteristica. Verrà illustrato come gestire la Regressione Lineare con più caratteristiche.

Una linea retta non descrive sempre adeguatamente i dati. Impariamo come costruire un modello più complesso per la previsione. Questo è l'obiettivo della Regressione Polinomiale.

Ora che sai come costruire diversi modelli di regressione lineare, hai bisogno di un metodo per scegliere il migliore. Questo è possibile utilizzando le metriche. Questa sezione spiega le metriche più utilizzate e le difficoltà che potresti incontrare nel loro utilizzo.

Questa sezione introduce i principi fondamentali dell'apprendimento per rinforzo, trattando le sue caratteristiche distintive, le basi matematiche e il modo in cui gli agenti apprendono tramite interazione e feedback. Verranno inoltre presentati strumenti essenziali per prepararsi alla costruzione e all'addestramento dei primi agenti RL.

Questa sezione esplora il problema del multi-armed bandit, un contesto ideale per comprendere il dilemma esplorazione-sfruttamento. Verranno appresi e implementati algoritmi che aiutano gli agenti a prendere decisioni in condizioni di incertezza, bilanciando la massimizzazione della ricompensa con la necessità di esplorare.

Questa sezione introduce la programmazione dinamica come un metodo potente per risolvere problemi di reinforcement learning quando è disponibile un modello completo dell'ambiente. Verrà illustrato come valutare e migliorare le politiche utilizzando le equazioni di Bellman ed esplorate tecniche fondamentali come l'iterazione delle politiche, l'iterazione dei valori e l'iterazione generalizzata delle politiche, costruendo la base teorica per futuri metodi senza modello.

Questa sezione introduce i metodi Monte Carlo per apprendere funzioni di valore e politiche a partire da episodi completi di esperienza. Verranno esplorati sia approcci on-policy che off-policy, analizzato come l'esplorazione influisce sull'apprendimento e implementate tecniche incrementali per stimare in modo efficiente i ritorni, il tutto senza la necessità di un modello dell'ambiente.

Questa sezione introduce l'apprendimento a differenza temporale (TD), un metodo fondamentale nell'apprendimento per rinforzo che combina concetti dal metodo Monte Carlo e dalla programmazione dinamica. Verrà illustrato come stimare le funzioni di valore da episodi incompleti, esplorare sia gli approcci on-policy (SARSA) che off-policy (Q-learning), e scoprire come i metodi Monte Carlo e l'apprendimento TD possano essere combinati.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.