Descrizione

Questo corso è progettato per fornire una formazione solida e operativa sul Machine Learning, con un taglio pratico e accessibile anche a chi non ha competenze tecniche. In tre giornate, i partecipanti acquisiranno le competenze fondamentali per applicare il Machine Learning in contesti aziendali, migliorando processi decisionali e operativi.

Struttura del corso:

• Fondamenti teorici: introduzione ai concetti chiave del Machine Learning, alle tipologie di modelli e alle principali metodologie.
• Preparazione e analisi dei dati: tecniche di data cleaning, analisi esplorativa e selezione delle variabili.
• Modellazione predittiva: costruzione e valutazione di modelli per la previsione e la classificazione.
• Interpretazione dei risultati: lettura dei modelli, comprensione degli output e applicazione ai processi aziendali.

Il corso adotta una modalità “blended”, alternando brevi sessioni teoriche a esercitazioni pratiche guidate. L’attività pratica si svolge con Orange, una piattaforma no-code che consente di costruire workflow di Machine Learning in modo intuitivo, senza necessità di scrivere codice. Questo approccio permette di concentrarsi sull’analisi e sull’interpretazione dei dati, rendendo il corso adatto anche a profili non tecnici.

Target

Prerequisiti

Una propensione al pensiero logico e matematico costituisce senz'altro un elemento facilitante per i partecipanti al corso, pur non configurandosi come un requisito imprescindibile

Programma Corso

Modulo 1: Introduzione al Machine Learning (ML)

• Definizione del ML e panoramica
• Breve storia del ML
• Differenze tra ML supervisionato e non supervisionato
• ML vs AI vs Data Mining vs Statistica: come non confonderli.
• Esempi di ML noti al pubblico. Il ruolo trainante di Google, Amazon e Facebook
• Perchè il ML può aiutare le aziende a prendere decisioni migliori
• Sviluppare una mentalità data-driven, col supporto dell’intuizione (sinergia)
• Quali aspetti del business di una azienda sono adatti al ML (predittivo)?
• Principali termini del ML

Modulo 2: Caricamento e Pre-elaborazione dei Dati

• Standardizzazione e normalizzazione
• Rilevamento e gestione di valori mancanti
• Identificazione e gestione degli outlier

Modulo 3: Analisi Esplorativa dei Dati (EDA)

• Tipologie di variabili: numeriche e categoriche
• Dataset (in vari formati)
• Correlazione numerica e matrici di correlazione
• Dipendenza ed Indipendenza delle variabili categoriche (test chi-quadro)
• Plot grafici: scatterplot, boxplot, istogrammi, barplot, lineplot, heatmap
• Visualizzazioni interattive

Modulo 4: Modellazione Predittiva

• Il fitting dei dati
• Il decision boundary
• Modelli di regressione: lineare, logistica
• Modelli di classificazione: alberi decisionali, foreste, KNN, SVM, Naive Bayes
• Reti neurali
• Modelli semplici vs modelli complessi
• Modelli rigidi vs modelli flessibili
• Le classi sbilanciate: cosa fare

Modulo 5: Valutazione dei Modelli

• Training, test e cross-validazione
• Metriche: accuratezza, matrice di confusione, R², RMSE
• Overfitting e variabili omesse (i due principali problemi dei modelli): come evitarli
• L'importante trade-off tra bias a varianza

Modulo 6: Selezione delle Feature

• Tecniche manuali e automatiche

Modulo 7: Deployment dei modelli di ML

• Strumenti per il deployment: API, containerizzazione (Docker)
• Integrazione dei modelli nei sistemi aziendali
• MLops
• Monitoraggio e manutenzione dei modelli in produzione

Modulo 8: Machine Learning Non Supervisionato

• Clustering: K-means, gerarchico, DBSCAN, t-SNE
• Distanze e matrici delle distanze
• PCA (Analisi delle Componenti Principali)

Modulo 9: Serie Temporali

• Analisi dei trend e pattern
• Forecasting dei prossimi valori (regressione, exponential smoothing, ARIMA)

Modulo 10: Esercitazioni Pratiche con Orange

• Introduzione allo strumento Orange
• Creazione di workflow in Orange
• Analisi di casi aziendali

Modulo 11: Esportazione dei Risultati

• Export, Report e documentazione

Modulo 12: Tecnologie e tool di ML

• Open-source: python, R, scikit-learn, TensorFlow di Google, PyTorch, Weka, Orange
• Proprietari: Google, Microsoft
• tool no-code, low-code
• Python, R ed Excel
• Microsoft