Il corso fornisce le basi teoriche e pratiche delle principali tecniche di analisi dei dati e apprendimento automatico. Sono presentate tecniche avanzate di Deep Learning (DL), offrendo una panoramica su modelli come RNN (Recurrent Neural Networks), LSTM (Long Short-Term Memory) e cenni sui transformers.
CONTENUTI
Introduzione al Deep Learning:
• Reti Neurali.
• Funziona di perdita e training.
Preparazione Dati:
• Pulizia e normalizzazione dei dati.
• Tecniche di visualizzazione dati.
Machine Learning:
• Linear Regression.
• Logistic Regression.
• KNN (K-Nearest Neighbors) / SVM (Support Vector Machine) / PCA (Principal Component Analysis)/ K-Means.
Deep Learning
• RNN, LSTM.
• Cenni sui Transformers.
Esercizi
OBIETTIVI
Il corso mira a fornire agli studenti le conoscenze necessarie per applicare le principali tecniche di Machine Leaning e Deep Leaning su dataset reali. Gli studenti impareranno a implementare algoritmi di regressione, classificazione e clustering, acquisendo al contempo una visione d’insieme sulle reti neurali e come sono impiegate per l’analisi dei dati sequenziali.
LEARNING OUTCOMES
Al termine del corso gli studenti saranno in grado di processare, pulire e normalizzare i dati per preparali all’analisi. Scegliere e applicare correttamente algoritmi di ML, DL e avere una prima introduzione ai Transformers.
PRE-REQUISITI
Esperienza in programmazione Python.