Come si riconoscono automaticamente testi e immagini? Come si individua lo spam? E un cattivo pagatore? Come si stima il valore di un immobile? Come si diagnostica precocemente una malattia? Introduzione alle Reti Neurali Artificiali e alle Macchine a Vettori di Supporto
A cosa servono le ANN e le SVM
Le Reti Neurali Artificiali (in inglese Artificial Neural Networks, ANN) e le Macchine a Vettori di Supporto (in inglese Support Vector Machines, SVM) sono metodi di Machine Learning per risolvere problemi di classificazione e di previsione, utilizzando dati “etichettati”.
Vengono costruite sfruttando un insieme di data object (training set) descritti sia da variabili input (predittori) che da una variabile output (risposta) scelta come target. Una volta costruiti, i modelli si possono applicare ad altri data object, dei quali sono noti solo i predittori, per determinarne la risposta; a seconda che questa sia qualitativa o quantitativa, il problema dicesi di classificazione o di previsione.Leggi di più
Le applicazioni sono numerosissime. I data object, ad esempio, possono essere immagini digitali e una ANN/SVM ben “addestrata” saprà attribuire ogni nuova immagine alla categoria appropriata (in questo stesso filone si inseriscono gli algoritmi per il riconoscimento di testo). Con un dataset di clienti, una banca può addestrare una ANN/SVM a prevederne l’insolvenza. Con un campione di tessuti biologici, un centro diagnostico può allenare una ANN/SVM alla diagnosi precoce del cancro. Gli esempi potrebbero continuare a lungo, negli ambiti più diversi.
Le reti neurali possono avere diverse architetture e il loro “apprendimento” dai dati può essere automatizzato con algoritmi differenti. Le ANN sono spesso considerate delle black box un po’ misteriose, che ingurgitano dati e restituiscono previsioni o classificazioni accurate, ma non supportate da relazioni input-output chiaramente interpretabili. Di recente, la sensitivity analysis sta cercando di colmare questa lacuna.
Le macchine a vettori di supporto funzionano con una logica diversa da quella delle reti neurali, ma perseguono le stesse finalità e anch’esse necessitano di addestramento su ampi dataset. Nell’ultima parte del corso, infine, ci occuperemo degli ensamble methods, algoritimi che cercano di combinare tra loro molteplici classificatori o previsori per ottenerne uno più performante dei singoli componenti.
Destinatari, didattica e calendario
Il campo di applicazione del Data Science è già oggi sterminato ed è in continua crescita. Le ANN e le SVM, in particolare, trovano applicazione in numerosi ambiti professionali, dal marketing alle vendite, dalla produzione alla qualità, dall’ingegneria al biomedicale. Il corso, di livello intermedio, è destinato a chi voglia conoscere i principali metodi di costruzione e addestramento delle ANN e SVM, combinando aspetti concettuali e pratica operativa. Le lezioni, infatti, mixano elementi teorici con esempi e applicazioni, sfruttando software piuttosto comuni.
Sono previste 15 ore di lezione erogate da uno o più Tutor; si suggerisce un minimo di 3-4 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
600,00€.
La quota può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale. Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti.
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
-
Artificial Neural Networks: introduzione.
Leggi di piùVerranno introdotte le reti neurali artificiali di tipo feed forward, per trattare problemi di classificazione e di previsione sfruttando dataset di grandi dimensioni (big data). Dopo un cenno al background neurobiologico che ne ha ispirato la costruzione, verrà dato spazio all’architettura del percettrone multistrato, in particolare quello con un solo strato “nascosto”, base concettuale per reti più complesse. L’addestramento della rete tramite backpropagation e l’algoritmo gradient descent che ne consente l’implementazione completano il modulo.
-
Artificial Neural Networks: complementi.
Leggi di piùVerrà discussa una seconda tipologia di rete feed forward, detta radial basis function, che in certi contesti si fa preferire al multi-layer perceptron. Verranno inoltre ampliati alcuni concetti presentati nel primo modulo, ad esempio per migliorare l’efficienza dell’addestramento. Infine, benché le reti neurali artificiali vengano spesso – e non a torto – descritte come delle “black box”, qui si introdurrà una tecnica che consente di gettare una luce sulla relazione tra input e output del modello, rendendolo maggiormente interpretabile.
-
Support Vector Machines.
Leggi di piùAnche le macchine a vettori di supporto sono utilizzabili sia per la classificazione che per la previsione. Possono rivaleggiare con le reti neurali artificiali in quanto ad accuratezza e talvolta si lasciano preferire per la maggiore efficienza nell’addestramento. L’idea di fondo consiste nell’utilizzare dei classificatori lineari, dopo aver “proiettato” i dati in uno spazio di dimensione maggiore di quella dello spazio originario, dove risultino linearmente separabili, almeno con buona approssimazione.
-
Ensemble methods.
Leggi di piùVerranno presentati metodi che combinano molteplici classificatori (o previsori) per ottenerne uno più performante dei singoli componenti. Il guadagno in accuratezza previsiva è spesso notevole, sebbene venga sacrificata la chiarezza interpretativa del modello.
Personalizzazioni
Valutiamo diverse richieste di personalizzazione del programma: puoi aggiungere argomenti funzionali agli obiettivi formativi, o aggiungere prerequisiti, se pensi di non avere le conoscenze di base necessarie per seguire il corso; puoi richiedere di calibrare la didattica per dare più attenzione agli aspetti teorici o, viceversa, a quelli applicativi.
Vuoi maggiori informazioni?
- Scrivi allo Staff: info@matematicaonvideo.it
- Contatta il Responsabile SFA, Dott. Sandro Bencini, al 339.4169342.
- Prenota un appuntamento online con un nostro consulente per spiegarci le tue esigenze.
Parliamone online
