Programma del Corso

INTRODUZIONE
Benvenuti FREE 00:01:33
Obiettivi del corso FREE 00:03:38
Materiale didattico del corso 00:02:00
IL TUO PRIMO MODELLO DI MACHINE LEARNING
Installazione strumenti 00:08:11
Dataset 00:03:59
Modello 00:06:47
Training 00:07:28
Previsioni 00:04:10
Un modello di ML in 4 passi 00:08:01
PANORAMICA SUL MACHINE LEARNING
Presentazione della Sezione 00:01:23
Cosa è il Machine Learning? 00:12:18
Casi d’uso reali 00:08:08
Tipi di Machine Learning – per apprendimento 00:09:27
Tipi di Machine Learning – per output 00:06:17
Algoritmi 00:07:06
Gli Errori nel Machine Learning 00:08:15
Gli Errori nel Machine Learning – Bias e Varianza 00:09:09
SIMPLE LINEAR REGRESSION
Introduzione alle Sezioni sulla Regressione 00:02:49
Altri modelli di Machine Learning 00:05:58
Comando lm – input 00:03:09
Comando lm – output 00:06:45
SLR – Definizione 00:05:16
SLR – Modello 00:04:33
SLR – Minimi Quadrati 00:06:18
Significato dei coefficienti 00:06:20
Intervalli di confidenza 00:06:29
Riepilogo Finale 00:01:25
MULTIPLE LINEAR REGRESSION
Introduzione alla Sezione 00:01:12
Definizione MLR 00:05:38
Importare dati da fonti esterne 00:03:46
Breve esplorazione del dataset 00:07:38
Inizia il viaggio 00:07:50
Un modello di MLR 00:05:07
Confronto tra 4 modelli 00:06:14
Interpretazione del modello di MLR 00:03:52
INTERAZIONE NELLA MULTIPLE REGRESSION
Aldilà di un grande potere 00:01:23
Come implementare le Sinergie in R 00:02:56
La formula delle Sinergie 00:02:57
Altri modelli 00:03:07
Il p-value 00:03:00
NON LINEARITà NELLA MULTIPLE REGRESSION
Descrizione delle non linearità nella MLR 00:01:54
Come costruire un modello quadratico in R 00:03:28
Come rappresentare un modello quadratico in R 00:05:55
[bonus] Come studiare 10 modelli in una volta sola! 00:07:07
Trattazione teorica delle non linearità 00:03:30
SCELTA DELLE VARIABILI
Contesto della Scelta delle Variabili 00:01:33
Numero di variabili 00:06:45
Significatività e p-value 00:08:35
Numero Modelli 00:08:43
Metodo Forward 00:10:52
Metodo Backward 00:08:04
Metodo Ibrido 00:03:20
Scelta Finale 00:06:02
VALUTAZIONE DEL MODELLO - PARTE 1
Valutare un modello 00:03:51
Test Error 00:05:34
Metodi Indiretti 00:08:46
Akaike Information Criterion (AIC) 00:03:31
Non solo BIC 00:04:17
Due modi per calcolare il Cp di Mallows 00:10:27
Forward e Backward in un colpo solo! 00:04:03
VALUTAZIONE DEL MODELLO - PARTE 2
L’importanza della Cross Validation 00:03:50
Validation Set 1 – Calcolo MSE 00:09:52
Validation Set 2 – Calcolo Ripetuto 00:08:13
Validation Set 3 – Plot e Limiti 00:07:56
Leave One Out Cross Validation 00:06:47
LOO CV in R 00:10:09
I limiti della LOO CV 00:02:35
K-fold Cross Validation 00:05:04
I vantaggi della k-fold CV 00:06:44
Come eseguire la k-fold CV in R 00:06:23
Valutiamo n modelli con un ciclo “for” 00:07:46
Come visualizzare i risultati della k-fold CV 00:06:30
Chi è Grande? 00:01:34
LOGISTIC REGRESSION
Introduzione alla Classificazione 00:05:33
Introduzione alla Logistic Regression 00:01:49
Confronto tra Logistic e Linear Regression 00:08:27
Variabili binarie 00:07:31
Definizione del Metodo 00:03:20
Logistic Function e … scommesse! 00:07:11
Un nuovo dataset 00:10:00
Fattori e istogrammi 00:08:50
Boxplot e grafici misti 00:08:14
Maximum Likelihood 00:06:21
Primo Modello di Classificazione 00:05:33
Matrice di Confusione (!) 00:07:43
Valutazione Grafica 00:06:18
Ancora due … 00:05:22
Formula magica? 00:04:25
Multiple Logistic Regression 00:03:13
Selezione per passi ibrida con la Regressione Logistica Multipla 00:04:29
Matrice di confusione e Accuracy sui dati di test 00:05:29
LINEAR E QUADRATIC DISCRIMINANT ANALYSIS (LDA E QDA)
Un altro successo, un altro obiettivo! No anzi due! 00:02:38
Funzionamento di base 00:02:59
Tre probabilità 00:07:26
Teorema di Bayes 00:02:36
Metodo e Campane … 00:05:21
Linear e Quadratic DA 00:03:40
Due nuovi modelli 00:06:45
Predizioni e Accuracy dei modelli 00:05:34
Modelli multipli 00:05:23
Validazione 00:08:48
K-NEAREST NEIGHBOURS (KNN)
Un algoritmo speciale 00:01:07
Apprendimento Pigro e Non Parametrico 00:05:31
Come funziona KNN 00:05:02
KNN per regressione 00:03:50
La Maledizione della Dimensionalità 00:02:32
Come scegliere K? 00:03:25
KNN in pratica: modello con un predittore 00:04:46
1, 10, 100 K 00:04:38
K-fold CV con caret 00:06:15
100 modelli KNN multi-predittore 00:06:47
10.000 valutazioni!!! 00:05:02
MODELLI DI MACHINE LEARNING NON SUPERVISIONATI
Grande^2 00:01:06
Definizione e sfide dei modelli non supervisionati 00:04:47
Esempi 00:06:28
15:K-MEANS
Descrizione breve 00:03:15
Principio alla base di K-Means 00:04:22
Algoritmo di K-Means 00:06:39
Punti Critici 00:09:33
Creiamo il dataset 00:06:45
Due modelli di K-Means 00:06:49
Elbow Method e Fluttuazioni 00:08:43
Conclusioni del corso 00:05:41
TEST FINALE
Master Executive in Machine Learning e Data Analysis 00:15:00
Foto del Profilo
Luca NasoSenior Data Scientist - Product Development Manager - Startup Mentor

Ciao!
Sono Luca, un astrofisico con la passione dei dati, le startup e la corsa 🙂

Ho studiato Fisica, ho un Dottorato di Ricerca in Astrofisica ed ho lavorato come ricercatore in Italia, Polonia, UK e Cina.

Nel 2013 sono tornato in Italia e da allora ho lavorato come Data Scientist, CTO, CDO, PM e Mentor per startup, oltre che come docente per corsi di Big Data e Machine Learning.

Adesso sono sbarcato su LifeLearning, con il desiderio di favorire la diffusione di quelle che reputo le  competenze del futuro, cioè tutte quelle legate all’estrazione di valore dei dati.

 

Show More
  • 1.000,00 
  • ACCESSO A VITA
  • Attestato Incluso
  • Corso Accreditato
28 STUDENTI ISCRITTI

Life Learning S.r.l. - Viale Certosa, 218 - Milano. REA MI 2053237, P.Iva 08852200966 | © 2019, Tutti i diritti riservati
Dati SocietariTermini e CondizioniPolicy PrivacyCookie Policy