In questo corso programmerai in Python, utilizzando gli strumenti e le librerie più popolari di Data Science e imparerai come utilizzarlo per analisi statistiche avanzate, pre-elaborazione e trasformazione dei dati, sviluppo di visualizzazioni di dati e sviluppo di modelli predittivi per risolvere una varietà di problemi.
Il corso prevede esercizi pratici per ciascun modulo (con applicabilità diretta nel settore bancario), quindi non solo imparerai la teoria, ma affronterai anche il lato pratico della costruzione dei tuoi modelli, che potrai poi utilizzare come punto di partenza per costruire i tuoi progetti.
Imparerai anche come migliorare i modelli sviluppati dagli algoritmi di apprendimento automatico, approfondendo i concetti di bias elevato (underfitting), alta dispersione (overfitting), convalida incrociata e come gli iperparametri potrebbero migliorare le prestazioni dei modelli (ottimizzazione degli iperparametri ).
- Definire l'intelligenza artificiale e il machine learning, comprendendone il significato e le applicazioni in vari ambiti.
- Identifica diversi tipi di machine learning, come l'apprendimento supervisionato, non supervisionato e per rinforzo, e comprendi i loro casi d'uso specifici.
- Comprendere il ciclo di vita del modello e i passaggi essenziali coinvolti nella creazione di un modello di machine learning, dalla raccolta dei dati alla distribuzione.
- Esecuzione di analisi esplorativa dei dati (EDA) per ottenere informazioni approfondite sul set di dati, identificare modelli e comprendere le relazioni tra le variabili.
- Conoscenza delle tecniche di preelaborazione dei dati per pulire e preparare i dati per gli algoritmi di apprendimento automatico, inclusa la gestione dei valori mancanti e la gestione dei valori anomali.
- Esplorare vari algoritmi di apprendimento automatico utilizzati per la classificazione, la regressione, il clustering e altri, comprendendone i punti di forza e di debolezza.
- Implementare un esempio pratico di apprendimento supervisionato per la classificazione dei prestiti per prevedere i default, acquisendo esperienza pratica nella costruzione di un modello predittivo.
- Padronanza delle tecniche di ingegneria delle funzionalità, inclusa la gestione dei valori mancanti, la gestione dei valori anomali, la gestione di categorie sparse e l'elaborazione di variabili categoriche per l'apprendimento automatico.
- Comprendere l'importanza della selezione delle funzionalità per migliorare le prestazioni del modello e ridurre la complessità, esplorando metodi di filtraggio, metodi di incorporamento e metodi di avvolgimento.
- Acquisire informazioni sull'importanza della riduzione della dimensionalità per la modellazione e identificare le tecniche appropriate per ottenere la riduzione della dimensionalità.
- Applicazione di metodi di filtraggio (ad esempio set di basi, correlazione, misure statistiche) per selezionare caratteristiche, comprendendo come influenzano le prestazioni del modello.
- Implementazione di metodi integrati (ad esempio Lasso, Random Forest) per eseguire automaticamente la selezione delle funzionalità durante il processo di training del modello.
- Esplorare metodi agnostici, come l'eliminazione delle caratteristiche ricorsive (RFE), per selezionare in modo iterativo le caratteristiche più importanti per la modellazione.
- Sviluppa competenze pratiche di programmazione Python per l'apprendimento automatico utilizzando librerie popolari come NumPy, Pandas, Scikit-learn e altre.
- Conoscenza base della programmazione Python.
- Fondamenti di algebra lineare e calcolo differenziale.
- Conoscenza dei concetti fondamentali di statistica e probabilità.
- Cos'è l'intelligenza artificiale e l'apprendimento automatico?
- Tipi di apprendimento automatico
- Ciclo di vita del modello: passaggi nella costruzione di un modello
- Analisi esplorativa dei dati
- Preelaborazione dei dati
- Algoritmi di apprendimento automatico
- Esempio pratico di apprendimento supervisionato: classificazione dei prestiti per prevedere il default
- Ingegneria delle caratteristiche:
- Tecniche per la gestione dei valori mancanti
- Trattamento dei valori estremi
- Trattamento delle categorie rare
- Molteplici tecniche per la gestione delle variabili categoriali
- Tecniche di elaborazione e trasformazione dei dati necessarie per i principali gruppi di algoritmi di machine learning
- Selezione delle funzionalità (metodi di filtro, metodi incorporati, metodi wrapper)
- L'importanza della riduzione dello spazio dimensionale per la modellazione
- Applicazione di metodi di filtraggio (core, correlazione, misure statistiche)
- Applicazione di metodi integrati (lazo, random forrest, ecc.)
- Applicare metodi agnostici (RFE)
Non ci sono raccomandazioni in questo momento.
Dopo questo corso riceverai un certificato di completamento.
