Machine Learning: dai fondamenti alle tecniche avanzate

🎯 Obiettivi del Corso

• Comprendere i concetti matematici, logici e statistici del Machine Learning.
• Saper selezionare, implementare e valutare i principali modelli e algoritmi predittivi.
• Acquisire competenze avanzate in tecniche di ottimizzazione, regolarizzazione ed ensemble learning.
• Applicare algoritmi di classificazione, regressione e clustering a reali dataset aziendali.

👥 Destinatari

Professionisti IT, programmatori, software engineer, analisti dati e profili tecnici interessati a specializzarsi nello sviluppo e nell'integrazione di sistemi di Machine Learning all'interno di infrastrutture e flussi aziendali.

⏱️ Durata e Modalità

• Durata: 20 ore
• Modalità: E-learning asincrono, accessibile h24 da qualsiasi dispositivo.

📜 Attestato

Al superamento del test di verifica finale verrà rilasciato un attestato di frequenza in formato digitale, utile per l'aggiornamento professionale e spendibile a livello curriculare.

✅ Prerequisiti

Buone competenze di programmazione (preferibilmente in Python) e nozioni fondamentali di algebra lineare, analisi dati e statistica descrittiva.

🎓 Metodologia

Video lezioni on-demand registrate, materiale teorico di supporto scaricabile ed esercitazioni pratiche basate su casi reali aziendali.

📚 Programma Dettagliato

Modulo 1: Introduzione al Machine Learning

• Intelligenza Artificiale, Machine Learning e Deep Learning
• Apprendimento Supervisionato, Non Supervisionato e per Rinforzo
• Il workflow completo di un progetto di Machine Learning
• Linee guida etiche e bias dei dati nei contesti predittivi

Modulo 2: Fondamenti di Machine Learning

• Data Preprocessing: gestione di missing values, outliers e dati categorici
• Feature Selection e Feature Engineering
• Splitting dei dati: training, validation e test set
• Metriche di performance (Accuracy, Precision, Recall, F1-Score, ROC-AUC, MSE)

Modulo 3: Modelli e Algoritmi

• Regressione Lineare e Logistica
• Decision Trees, Random Forest e Support Vector Machines (SVM)
• Algoritmi di Clustering: K-Means, DBSCAN e clustering gerarchico
• Riduzione della dimensionalità: Principal Component Analysis (PCA)

Modulo 4: Tecniche Avanzate

• Metodi Ensemble: Bagging, Boosting (XGBoost, LightGBM) e Stacking
• Ottimizzazione degli iperparametri (Grid Search, Random Search)
• Tecniche di regolarizzazione (L1/L2) per contrastare l'overfitting
• Cenni su reti neurali e applicazioni pratiche del Deep Learning

✍️ Test Finale

Questionario a risposta multipla volto a verificare l'apprendimento delle competenze tecniche e teoriche trattate nel corso.