Padronanza dell'Apprendimento Automatico

Apprendere i concetti di machine learning e il flusso di lavoro di un progetto ML.

Il preprocessing è probabilmente la fase più importante di un progetto di ML. Questo capitolo tratta le fasi di preprocessing necessarie per quasi qualsiasi dataset.

Una pipeline è un modo ordinato per combinare tutti i passaggi di pre-elaborazione insieme a un modello. Le pipeline rendono molto più semplice addestrare e utilizzare un modello.

La modellizzazione è la fase più interessante di un progetto di ML. Impariamo a costruire, ottimizzare e valutare il modello!

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.

Scopri come addestrare agenti a prendere decisioni ottimali tramite tentativi ed errori. Esplora i fondamenti della teoria dell'apprendimento per rinforzo. Acquisisci esperienza pratica nell'impostazione e nell'esecuzione di un ambiente Gymnasium.

Approfondimento sul compromesso esplorazione-sfruttamento tramite il problema del multi-armed bandit. Implementazione della stima del valore d'azione, metodi ε-greedy, upper confidence bound e gradient-bandit. Valutazione delle prestazioni degli algoritmi su compiti simulati di massimizzazione della ricompensa.

Padronanza della programmazione dinamica per RL basato su modello. Scoperta dell'utilizzo delle equazioni di Bellman per valutare e migliorare le politiche. Implementazione degli algoritmi di iterazione delle politiche e dei valori. Esplorazione della generalizzazione dell'iterazione delle politiche come fondamento teorico per i metodi senza modello.

Padronanza dei metodi Monte Carlo per RL senza modello. Stima delle funzioni di valore e derivazione di politiche ottimali da episodi completi. Implementazione di algoritmi di controllo Monte Carlo on-policy e off-policy. Esplorazione di strategie di esplorazione per ottimizzare l'apprendimento senza modello.

Approfondimento sull'apprendimento a differenza temporale per RL senza modello. Stima delle funzioni di valore da episodi parziali utilizzando aggiornamenti TD(0). Implementazione degli algoritmi SARSA on-policy e Q-Learning off-policy. Esplorazione della combinazione tra metodi Monte Carlo e apprendimento TD in n-step TD e TD(λ).

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.

Approfondimento sui fondamenti del clustering e sulle differenze rispetto alla classificazione. Esplorazione degli algoritmi, strumenti e librerie essenziali che alimentano questa tecnica di apprendimento non supervisionato per individuare schemi nascosti nei dati.

Comprensione approfondita delle principali tecniche di pre-elaborazione che garantiscono un clustering efficace. Gestione dei valori mancanti, codifica delle caratteristiche categoriche, normalizzazione dei dati e selezione di misure di distanza e collegamenti appropriati per migliorare l'accuratezza del clustering.

Acquisizione delle competenze necessarie per applicare efficacemente il clustering K-Means. Comprensione del funzionamento dell'algoritmo, determinazione del numero ottimale di cluster ed esperienza pratica nell'implementazione di K-Means su dataset sintetici e reali.

Esplora i fondamenti del clustering gerarchico e apprendi come raggruppare i dati in cluster significativi utilizzando i dendrogrammi. Acquisisci sicurezza nell'identificazione del numero ottimale di cluster e nell'applicazione della tecnica sia su dataset sintetici che reali.

Scopri come DBSCAN eccelle nell'individuare cluster di forme diverse e nella gestione del rumore nei dati. Esplora i meccanismi alla base di questo algoritmo basato sulla densità, le modalità di assegnazione dei punti ai cluster e la sua applicazione sia a set di dati sintetici che reali con sicurezza.

Acquisire una solida comprensione dei Gaussian Mixture Models e di come utilizzano la probabilità per modellare forme di cluster complesse. Esaminare i principi della distribuzione gaussiana, esplorare il funzionamento dei GMM e consolidare le conoscenze applicandoli sia a dati simulati che reali.