Solo pochi attimi di attesa

Posizione corrente:

Ti trovi in: Home » Scuola di Formazione Aziendale » Analisi dei dati » Introduzione al Data Science II

Introduzione al Data Science II

I metodi del Machine Learning per problemi di classificazione, previsione, raggruppamento, deviazione e associazione

A cosa serve il Machine Learning

Il Machine Learning è un insieme di metodi per l’esplorazione automatica dei dati, finalizzata a estrarre informazioni non immediatamente visibili, ma ad alto valore aggiunto. In generale, si tratta di trovare “regole” nascoste nei dati e utili in problemi di vario genere: il corso metterà il corsista nella condizione di riconoscerli, modellarli e risolverli.

Per primi verranno discussi i problemi di classificazione e previsione, nei quali il valore della variabile-target deve essere dedotto dai valori delle variabili-input. Se il target è categorico, si parla di classificazione; se è numerico, si parla di previsione. I metodi del Machine Learning usati a questo scopo richiedono la disponibilità di oggetti “etichettati”, cioè descritti sia in termini di input che di target.

Verranno poi affrontati i problemi di raggruppamento, nei quali tutte le variabili sono trattate come input e usate per identificare gruppi di oggetti simili tra loro e diversi dagli oggetti degli altri gruppi. I metodi di raggruppamento evidenziano i diversi modi di manifestarsi del fenomeno descritto dalle variabili, all’interno di un insieme di oggetti.

Una terza tipologia di problemi sono quelli di deviazione. Qui lo scopo è individuare uno o più oggetti che mostrano comportamenti devianti, anomali, rispetto alla maggioranza. I metodi di anomaly detection sono quindi utili quando si è interessati a identificare i dati “eccezionali”, più che quelli “comuni”.

Infine, verranno esaminati i problemi di associazione. Qui l’obiettivo è la ricerca di relazioni interessanti tra sottoinsiemi di variabili-input: il fatto che certe variabili tendano a presentarsi insieme, o in una certa sequenza o secondo altri “schemi”, è un’informazione di grande valore in molti ambiti (commerciale, tecnologico, scientifico, ecc.).

Destinatari, didattica e calendario

Il campo di applicazione del Machine Learning è in continua crescita ed è già oggi sterminato. Questo corso, che assume conoscenze preliminari analoghe a quelle fornite dal corso Introduzione al Data Science I, è progettato per chi desidera un’introduzione ai principali metodi del Machine Learning, che bilanci aspetti teorici e operativi, senza addentrarsi in questioni matematiche o informatiche particolarmente avanzate. Le lezioni combinano gli elementi teorici con esempi e applicazioni pratiche e illustrative, anche sfruttando software open source e/o a licenza di uso comune.

Sono previste 18 ore di lezione erogate da uno o più Tutor della SFA; si suggerisce un minimo di 2-3 ore a settimana. Giorni e orari di lezione vanno concordati con i Tutor; si assicura ogni sforzo per accomodare le preferenze dei partecipanti, entro la finestra 8:00 – 23:00, lun – dom.

Quota di partecipazione

630,00€.

La quota di partecipazione può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale tramite la nostra piattaforma (Tutoring Room). Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti e/o in aula tradizionale.

Attestato

Al termine del corso si rilascia un attestato di partecipazione riportante il programma svolto e firmato dal corpo docente. Si può anche richiedere la certificazione delle conoscenze acquisite previo superamento di una prova d’esame.


Programma

  1. I metodi del Machine Learning  per problemi di classificazione e previsione

    Verranno descritti i principali metodi del Machine Learning per classificare un attributo-target categorico (e in particolare, binario) oppure per prevedere un attributo-target numerico. Alcuni descrivono in modo trasparente il meccanismo di classificazione o previsione, assicurando l’interpretabilità del risultato; altri non hanno questo requisito e si concentrano esclusivamente sull’affidabilità della classificazione o previsione.Leggi di più

  2. I metodi del Machine Learning  per problemi di raggruppamento.

    Verranno descritti i principali metodi del Machine Learning per identificare similarità tra dati non etichettati. Sono utili se l’obiettivo dell’analisi non è spiegare o prevedere un particolare attributo-target, bensì rintracciare “affinità” nei dati in base a tutti gli attributi.Leggi di più

  3. I metodi del Machine Learning  per problemi di deviazione.

    Verranno descritti i principali metodi del Machine Learning per identificare anomalie, deviazioni rispetto a schemi rispettati dalla maggior parte degli oggetti osservati. Sono utili quando l’interesse è focalizzato sui dati eccezionali o rari, piuttosto che su quelli ordinari o comuni.Leggi di più

  4. I metodi del Machine Learning per problemi di associazione

    Verranno descritti i principali metodi del Machine Learning per identificare relazioni e collegamenti tra i dati. Sono utili quando si è interessati ad associare attributi che si presentano spesso insieme, oppure schemi ricorrenti e dunque “tipici” degli oggetti osservati (clienti, utenti, ecc.).Leggi di più

Personalizzazioni

La SFA è disponibile a valutare richieste di personalizzazione del programma del corso sotto vari profili. Puoi aggiungere argomenti funzionali agli obiettivi formativi, anche in sostituzione di argomenti in programma valutati di minor interesse. Puoi aggiungere prerequisiti, qualora tu ritenga di non avere le conoscenze di base necessarie per affrontate uno o più argomenti. Possiamo anche calibrare la didattica dando maggiore attenzione agli aspetti teorici o, viceversa, a quelli operativi.

Vuoi maggiori informazioni?

Scopri di cosa parliamo

Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet, consectetur, adipisci velit, sed quia non numquam eius modi tempora incidunt ut labore et dolore magnam aliquam keywords.