Solo pochi attimi di attesa

Posizione corrente:

Ti trovi in: Home » Scuola di Formazione Aziendale » Analisi dei dati » ANN e SVM: prevedere e classificare

ANN e SVM: prevedere e classificare

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.

In altre parole, le ANN e le SVM vengono costruite sfruttando un insieme di data object (training set) dei quali si conoscono i valori delle variabili-input (predittori) e anche il valore della variabile-output (risposta) scelta come target. Una volta costruiti, i modelli possono essere applicati ad altri data object, dei quali sono noti solo i predittori, per determinarne la risposta; a seconda che questa sia categorica o numerica, il problema dicesi di classificazione o di previsione.

Le applicazioni sono numerosissime. I data object, ad esempio, possono essere immagini digitali, descritte da un numero elevato di variabili-input che definiscono posizione e colore dei pixel e da una variabile-output che indica la categoria cui l’immagine appartiene; una ANN o una SVM ben addestrata saprà attribuire una nuova immagine alla categoria appropriata (in questo stesso filone si inseriscono gli algoritmi per il riconoscimento di testo). Con un dataset di clienti, tracciati in base a parametri anagrafici, finanziari, ecc. e allo status di solvibilità, si può addestrare una rete o una macchina a prevedere l’insolvenza. Con un campione di tessuti, dei quali si conoscano le caratteristiche bio-chimiche e neoplastiche, si può allenare una ANN o una SVM alla diagnosi precoce del cancro. Gli esempi potrebbero continuare a lungo, negli ambiti più diversi.Leggi di più

Destinatari, didattica e calendario

Il campo di applicazione del Data Science è in continua crescita ed è già oggi sterminato. Le Reti Neurali Artificiali e le Macchine a Vettori di Supporto, 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 open source e software a licenza piuttosto comuni.

Sono previste 15 ore di lezione erogate da uno o più Tutor della SFA; 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

500,00€.

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.


Reti neurali

Programma

  1. Artificial Neural Networks: introduzione

    Verranno 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.Leggi di più

  2. Artificial Neural Networks: complementi

    Verrà 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.Leggi di più

  3. Support Vector Machines

    Anche 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.Leggi di più

  4. Ensemble methods

    Verranno 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.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.