Corso Online: Il Machine Learning con Python

OBIETTIVI E PROGRAMMA

Sai cosa accomuna il successo dei più grandi colossi del web come Google, Amazon e Facebook ? L’utilizzo che hanno fatto del machine learning, ovvero la branca dell’intelligenza artificiale che ha lo scopo di insegnare ai computer ad apprendere autonomamente, 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 l’enorme quantità di dati oggi disponibile sul web e per il progresso della tecnologia e il crescente aumento della potenza di calcolo. 
Questi due fattori, uniti alle sue innumerevoli applicazioni commerciali, stanno contribuendo alla crescita vertiginosa del machine learning che sta trascinando con se lintero campo dell’intelligenza artificiale. 

OBIETTIVI

In questo corso pratico imparerai come funziona il machine learning e come utilizzarlo in maniera pratica, utilizzando il linguaggio Python e librerie popolari come Scikit-learn, Pandas e PyPlot. 

PROGRAMMA

Questo corso ha una durata complessiva di 12 ore.

Cap.01 Introduzione

•          Lezione 1.1 Perche? l’AI è hot | 07:35 minuti
•          Lezione 1.2 Cos’e? il Machine Learning | 05:21 minuti
•          Lezione 1.3 Cos’e? la Data Science | 06:35 minuti
•          Lezione 1.4 Come funziona il Machine Learning | 06:46 minuti
•          Lezione 1.5 Le tecniche del Machine Learning | 04:20 minuti
•          Lezione 1.6 Scegli il tuo ambiente di lavoro | 09:23 minuti

Cap.02 Il Dataset

•          Lezione 2.1 Dataset strutturati | 04:13 minuti
•          Lezione 2.2 Dataset non strutturati | 09:17 minuti
•          Lezione 2.3 Analisi di un dataset con Pandas | 22:30 minuti
•          Lezione 2.4 Tipi di Dati | 04:37 minuti
•          Lezione 2.5 Label e One-Hot Encoding | 09:04 minuti
•          Lezione 2.6 Gestire Dati Mancanti | 05:23 minuti
•          Lezione 2.7 Portare il Dataset sulla stessa scala | 04:17 minuti
•          Lezione 2.8 Normalizzazione e Standardizzazione di un Dataset con Pandas | 08:22 minuti
•          Lezione 2.9 Splitting del Dataset | 02:23 minuti
•          Lezione 2.10 TrainTest split con scikit-learn | 05:36 minuti

Cap.03 Apprendimento Supervisionato – Regressione

•          Lezione 3.1 Regressione Lineare | 05:11 minuti
•          Lezione 3.2 La Funzione di Costo | 03:25 minuti
•          Lezione 3.3 L’Apprendimento dei Pesi tramite Gradient Descent | 04:36 minuti
•          Lezione 3.4 Regressione Lineare Semplice in Python | 08:50 minuti
•          Lezione 3.5 Regressione Lineare Multipla | 02:31 minuti
•          Lezione 3.6 Regressione Lineare Multipla in Python | 12:16 minuti
•          Lezione 3.7 Regressione Polinomiale | 02:42 minuti
•          Lezione 3.8 Regressione Polinomiale in Python | 08:42 minuti

Cap.04 Regolarizzazione e Modelli Regolarizzati

•          Lezione 4.1 Il Problema dell’Overfitting | 03:54 minuti
•          Lezione 4.2 Riconoscere l’Overfitting | 05:10 minuti
•          Lezione 4.3 Regolarizzazione L1 e L2 | 03:05 minuti
•          Lezione 4.4 Ridge, Lasso ed ElasticNet | 07:39 minuti

Cap.05 Apprendimento Supervisionato – Classificazione

•          Lezione 5.1 Regressione Logistica | 10:07 minuti
•          Lezione 5.2 Regressione Logistica in Python | 12:53 minuti
•          Lezione 5.3 Classificazione Multiclasse | 03:25 minuti
•          Lezione 5.4 Classificazione OneVSAll con scikit-learn | 11:41 minuti

Cap.06 Modelli di Classificazione Non Lineari

•          Lezione 6.1 K-Nearest Neighboor (K-NN) | 04:19 minuti
•          Lezione 6.2 K-NN in Python | 11:55 minuti
•          Lezione 6.3 Alberi Decisionali | 08:03 minuti
•          Lezione 6.4 Alberi Decisionali in Python | 09:53 minuti
•          Lezione 6.5 Foreste Casuali | 02:33 minuti
•          Lezione 6.6 Foreste Casuali in Python | 04:24 minuti
•          Lezione 6.7 Macchine a Vettori di Supporto (SVM) | 03:31 minuti
•          Lezione 6.8 SVM in Python | 10:24 minuti
•          Lezione 6.9 Kernel SVM | 06:16 minuti
•          Lezione 6.10 Kernel SVM in Python | 08:04 minuti
•          Lezione 6.11 Reti Neurali Artificiali (ANN) | 08:21 minuti
•          Lezione 6.12 Addestramento di una Rete Neurale tramite Backpropagation | 06:20 minuti
•          Lezione 6.13 Percettrone Multistrato in Python | 12:42 minuti

Cap.07 Tecniche di Validazione e Ottimizzazione

•          Lezione 7.1 Batch, Stochastic e Mini Batch Gradient Descend | 07:46 minuti
•          Lezione 7.2 Stochastic e Mini Batch Gradient Descend con scikit-learn | 19:38 minuti
•          Lezione 7.3 Tecniche di Cross Validation | 09:00 minuti
•          Lezione 7.4 K-Fold Cross Validation in Python | 07:40 minuti
•          Lezione 7.5 Ottimizzazione degli Iperparametri | 07:09 minuti
•          Lezione 7.6 Grid e Random Search in Python | 06:35 minuti

Cap.08 Apprendimento Non Supervisionato – Clustering

•          Lezione 8.1 K-Means Clustering | 08:06 minuti
•          Lezione 8.2 K-Means in Python | 11:07 minuti
•          Lezione 8.3 Clustering Gerarchico | 11:18 minuti
•          Lezione 8.4 Clustering Gerarchico in Python | 12:20 minuti
•          Lezione 8.5 DBSCAN | 11:05 minuti
•          Lezione 8.6 DBSCAN in Python | 07:56 minuti

Cap.09 Riduzione della Dimensionalità

•          Lezione 9.1 Principal Component Analysis | 12:29 minuti
•          Lezione 9.2 PCA per visualizzare il dataset | 05:17 minuti
•          Lezione 9.3 Selezionare il numero di componenti principali | 04:30 minuti
•          Lezione 9.4 PCA per velocizzare l’addestramento | 11:04 minuti
•          Lezione 9.5 Kernel PCA | 09:16 minuti
•          Lezione 9.6 Linear Discriminant Analysis | 06:51 minuti
•          Lezione 9.7 Confrontare PCA e LDA | 13:36 minuti

Cap.10 Conclusione

•          Lezione 10.1 I Tuoi Prossimi Passi | 04:53 minuti