← Tutti i corsi Corso

Algoritmi di Machine Learning

Corso introduttivo in 15 lezioni, con notebook Python

Quindici lezioni per capire come una macchina impara dagli esempi, dalla retta della gelateria fino alle reti neurali. Ogni algoritmo risolve un problema del deposito, il gioco gestionale che ci accompagna per tutto il corso: prevedere le vendite, decidere quanto ordinare, riconoscere gli articoli simili.

Ogni lezione ha una scheda da leggere, un notebook Python da rifare cella per cella e, man mano che sono pronti, un video. Le parole tecniche sono raccolte in un glossario di 168 voci. Il corso è tenuto da Carlo Cassinari.

Apri la mappa del corso → 14 lezioni pubblicate su 15 · 11 con video

Classificare

Lezione 4 · Classificatori bayesiani · video

Quanto è probabile?

  • calcolare una probabilità contando i casi del passato, e spiegare perché conta la probabilità di partenza
  • usare Naive Bayes con informazioni a categorie e spiegare la sua semplificazione: gli indizi trattati come indipendenti
  • spiegare perché per una probabilità serve la curva a S e non una retta, e leggere i coefficienti della regressione logistica
  • confrontare kNN, Naive Bayes e regressione logistica e scegliere la soglia di decisione in base al costo degli errori, senza usare il test
Apri la lezione
Lezione 5 · Support Vector Machines · video

Dove passa il confine?

  • spiegare perché, tra tante rette che separano bene, conviene quella con il margine più largo
  • riconoscere i vettori di supporto e spiegare perché sono loro a decidere dove passa il confine
  • usare l'impostazione C della SVM quando i gruppi si mescolano, e sceglierla con la cross-validation
  • tracciare un confine curvo costruendo una colonna nuova (feature engineering) oppure con il kernel, e riconoscere l'overfitting quando gamma è troppo grande
  • dire quando conviene usare una SVM e quando no
Apri la lezione
Lezione 6 · Esercizio di gruppo

Mettiamo tutto insieme

  • partire da un problema e riconoscere che tipo di problema è (classificazione)
  • scegliere un modello tra quelli visti e usarlo con lo schema fit sul train e predict sul test
  • usare lo StandardScaler con i modelli che misurano distanze (scala delle variabili)
  • leggere la matrice di confusione e spiegare perché due modelli con la stessa accuratezza possono costare in modo diverso
  • presentare un risultato e la scelta del modello a chi deve decidere
Apri la lezione
Lezione 7 · Multiclassificatori · video

Tante domande, tanti voti

  • leggere un albero decisionale: domande sì/no, una colonna alla volta, e spiegare come sceglie una domanda con l'impurità di Gini
  • riconoscere l'overfitting di un albero senza limiti e scegliere la profondità con la cross-validation
  • spiegare il bagging e la random forest: campioni bootstrap, colonne a caso, voto di maggioranza
  • distinguere bagging, boosting e voting, e leggere con attenzione l'importanza delle feature
  • usare GridSearchCV per scegliere le impostazioni e dare il voto con il test una volta sola
  • dire quando conviene un albero, una foresta o il boosting, con esempi d'uso reali
Apri la lezione

Reti neurali

Lezione 10 · Reti neurali · video

Come impara una rete?

  • spiegare che cosa fa un neurone: una somma con i pesi, poi una funzione di attivazione, e perché con la curva a S è una regressione logistica
  • far imparare un percettrone a mano e dire perché un neurone solo non basta quando una retta non separa le categorie
  • spiegare che cosa fa uno strato nascosto e usare una rete neurale con MLPClassifier, con lo scaler
  • spiegare la discesa del gradiente e riconoscere un tasso di apprendimento troppo piccolo o troppo grande
  • riconoscere quando una rete non ha finito di imparare (ConvergenceWarning, epoche) e quando impara a memoria (overfitting)
  • usare MLPRegressor per prevedere le vendite e confrontarlo in modo onesto con la baseline e la regressione lineare
Apri la lezione
Lezione 11 · Deep Learning, CNN e RNN · video

Vedere e ricordare

  • spiegare che un'immagine è una tabella di pixel e perché una rete neurale sui pixel non riconosce una cifra spostata di un pixel
  • calcolare a mano una convoluzione con un filtro 3 × 3 e leggere la mappa delle caratteristiche
  • spiegare a che cosa servono la ReLU e il pooling, e che cosa vuol dire condivisione dei pesi in una rete convoluzionale
  • seguire passo per passo una cella ricorrente e spiegare come lo stato nascosto si porta dietro (e dimentica) la memoria
  • prevedere una serie con una finestra delle ultime settimane e sceglierne la lunghezza con TimeSeriesSplit
  • dire quando conviene il deep learning e quando bastano i modelli classici
Apri la lezione