Corso Machine Learning con Python
Il corso Machine Learning con Python fornisce una panoramica sull'utilizzo dei Big Data e dell'Intelligenza Artificiale (in particolare, il Machine Learning) per l’esecuzione di analisi dati in ambito business.
L'approccio è un mix teorico-pratico: partendo dai concetti e dalle definizioni base, si passerà alla loro applicazione ad alcuni case study concreti, mostrando fattivamente come il Machine Learning possa fornire preziose indicazioni su come muoversi strategicamente sul mercato e/o su come meglio valorizzare le proprie risorse.
A chi è rivolto
Il corso è pensato per chi lavora in ambito IT e desidera apprendere le tecniche principalmente impiegate per attingere dai dati quelle indicazioni strategiche che possano aiutare l’azienda a crescere/consolidare la propria posizione sul mercato.
In particolare, il corso è rivolto a:
- Responsabili di reparti tecnici
- Information Officer
- Data Officer
- Data Analyst
- IT Analyst
Come funziona
Per partecipare al corso è necessario avere una conoscenza informatica intermedia e una conoscenza statistica di base.
Cosa imparerai a fare
Alla fine del corso i partecipanti avranno acquisito le nozioni di base per poter applicare approcci di Machine Learning all'analisi dati in ambito business.
Contenuti del corso
- Definizione e obiettivi del Machine Learning
- Differenze tra Machine Learning e Intelligenza Artificiale
- Tipologie di apprendimento: supervisionato, non supervisionato, e rinforzato
- Esempi pratici di applicazioni del ML (tensorflow, yolo)
- Tipi di dati: numerici, categorici, temporali
- Misure di sintesi: media, mediana, moda, varianza e deviazione standard
- Relazioni tra variabili: distribuzioni, covarianza e correlazione
- Visualizzazione dei dati con librerie Python (Matplotlib, Seaborn)
- Identificazione di dati mancanti e gestione delle anomalie
- Normalizzazione e standardizzazione
- Feature engineering e selezione delle variabili
- Uso di Pandas per la manipolazione dei dati
- Differenza tra regressione e classificazione
- Implementazione di modelli: Linear Regression, Logistic Regression, Decision Tree, KNN, Random Forest, SVM
- Valutazione delle performance: accuracy, precision, recall, F1-score, ROC-AUC
- Confronto tra modelli e selezione del più efficace
- Introduzione al concetto di overfitting e underfitting
- Setup dell’ambiente e uso librerie: tensorflow, yolo
- Mini progetto: dal dataset al modello predittivo (es. previsione di prezzi immobiliari, ricerca immagini o classificazione di recensioni)
- Analisi e interpretazione dei risultati
- Discussione e presentazione del lavoro finale
Certificazioni
- Attestato di frequenza IFOA
Note
Il corso verrà realizzato online, attraverso la metodologia della videoconferenza: i partecipanti interagiscono cioè in modalità sincrona (in diretta) con il relatore/docente che svolge la propria lezione, attraverso un applicativo funzionante via internet, invece di essere presente in aula.
Collegarsi e partecipare alla lezione è molto semplice, non richiede particolari competenze informatiche né strumentazioni tecniche. È solo necessario essere dotati di un PC fisso o portatile o di un cellulare/tablet con casse audio o cuffie e possibilmente webcam.