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

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.

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.

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

   Cenni storici, background neurobiologico, percettrone; elementi costituitivi di una rete neurale di tipo feed forward, neuroni, connessioni, pesi, strati (input, output, hidden), funzione di attivazione (logistica e tangente iperbolica); costruzione e funzionamento del multi-layer perceptron, forward propagation; addestramento, output function per target numerici (errore quadratico), gradient descent, learning rate, error backpropagation, inizializzazione.

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

   Radial basis function (in particolare, gaussiana); costruzione, funzionamento e addestramento di reti radial basis function; online training vs. batch training, varianti dell’error backpropagation (momentum term, weight decay); output function per target categorici (massima verosimiglianza, softmax function, cross entropy); sensitivity analysis.

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

   SVM per la classificazione binaria, separabilità lineare, iperpiano separatore, vettori di supporto, margine d’errore; rappresentazione primale e duale, cenni alla soluzione del problema di programmazione quadratica per la determinazione dell’iperpiano separatore ottimale; proiezione dei data objects in spazi di dimensione superiore, funzioni kernel, kernel lineari, polinomiali, radial basis function, kernel matrix; soft margin classifiers; cenni alle SVM per la classificazione multiclasse e alle Support Vector Regression.

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

   Proprietà desiderabili dei classificatori/previsori, accuratezza, diversità, indipendenza, incorrelazione; bagging, campionamento con reintroduzione, selezione casuale degli attributi; random forest, settaggio dei parametri di una random forest; metodi di aggregazione dei classificatori, voting, meaning, mixture of expert, staking; casualizzazione; boosting, AdaBoost.

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?

• Scrivi allo Staff: info@matematicaonvideo.it
• Contatta il Responsabile SFA, Dott. Sandro Bencini, al 339.4169342.
• Prenota un appuntamento onlinecon un nostro consulente per spiegarci le tue esigenze.
  
  

  Parliamone online