Machine Learning

Descrizione

Vengono trattati gli ambiti di applicazioni del machine learning, le tipologie di dati non strutturati, i modelli/algoritmi di machine learning, la complessità e generalizzazione del modello, le strategie per la gestione della complessità: model selection, shrikage e dimension reduction, come valutare la generalizzazione: scelta della complessità ottimale e metriche per la valutazione dell’overfitting, tecniche di model validation: external, internal e boostrap, step del machine learning: decision boundary, pre-processing e decision theory, criteri di performance di un modello. Modelli: alberi, alberi avanzati: combino/ensamble (mod combinati, bagging e random forest) e boosted (ada boost, gradient boosting), reti neurali, k-nn, naive bayes e lda. Confronto dei modelli: ase, roc, lift.

• TEORIA
• APPUNTI PRESI IN AULA
• INTEGRAZIONE CON SLIDE