Machine Learning con Python: il Corso Pratico
4.4 (727 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
3,181 students enrolled

Machine Learning con Python: il Corso Pratico

Impara a creare algoritmi di Machine Learning con Python e Scikit-learn - Regressione, Classificazione, Clustering
Bestseller
4.4 (727 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
3,181 students enrolled
Last updated 4/2020
Italian
Current price: $119.99 Original price: $184.99 Discount: 35% off
2 days left at this price!
30-Day Money-Back Guarantee
This course includes
  • 12 hours on-demand video
  • 4 articles
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Padroneggiare il machine learning con Python
  • Analisi di un dataset per estrapolare informazioni utili
  • Funzionamento dei modelli di machine learning più diffusi
  • Utilizzare il machine learning su problemi reali
  • Differenza tra modelli supervisionati e non supervisionati
  • Scegliere ed ottimizzare un modello di machine learning
  • Eseguire predizioni e classificazioni partendo dai dati
  • Eseguire clustering per raggruppare automaticamente dati simili
  • Imparare ad utilizzare Pandas e Scikit-learn
  • Lavorare con iPython e Jupyter Notebook
Course content
Expand all 97 lectures 11:49:42
+ Il Dataset
10 lectures 01:15:38
Dataset non strutturati
09:17
Analisi di un dataset con Pandas
22:30
Tipi di dati
04:37
Label encoding e one-hot encoding
09:04
Gestire dati mancanti
05:23
Portare il dataset sulla stessa scala
04:13
Normalizzazione e standardizzazione di un dataset con Pandas
08:22
Splitting del dataset
02:23
Train/Test split con scikit-learn
05:36
+ Apprendimento supervisionato - Regressione
8 lectures 48:13
La funzione di costo
03:25
L'apprendimento dei pesi tramite Gradient Descent
04:36
Regressione lineare semplice in Python
08:50
Regressione lineare multipla
02:31
Regressione lineare multipla in Python
12:16
Regressione polinomiale
02:42
Regressione polinomiale in Python
08:42
+ Regolarizzazione e modelli regolarizzati
4 lectures 19:48
Il problema dell'overfitting
03:54
Riconoscere l'overfitting
05:10
Regolarizzazione L1 ed L2
03:05
Ridge, Lasso ed ElasticNet
07:39
+ Apprendimento supervisionato - Classificazione
4 lectures 38:06
Regressione logistica in Python
12:53
Classificazione multiclasse
03:25
Classificazione OneVSAll con scikit-learn
11:41
+ Modelli di classificazione non lineari
13 lectures 01:36:45
K-Nearest Neighbor (K-NN)
04:19
K-NN in Python
11:55
Alberi decisionali
08:03
Alberi decisionali in Python
09:53
Foreste casuali
02:33
Foreste casuali in Python
04:24
Macchine a vettori di supporto (SVM)
03:31
SVM in Python
10:24
Kernel SVM
06:16
Kernel SVM in Python
08:04
Reti neurali artificiali (ANN)
08:21
Addestramento di una rete neurale tramite backpropagation
06:20
Percettrone Multistrato in Python
12:42
+ Tecniche di validazione ed ottimizzazione
6 lectures 57:48
Batch, Stochastic e Mini Batch Gradient Descend
07:46
Stochastic e Mini Batch Gradient Descend con scikit-learn
19:38
Tecniche di cross validation
09:00
K-fold cross validation in Python
07:40
Ottimizzazione degli iperparametri
07:09
Grid search e Random search in Python
06:35
+ Apprendimento non supervisionato - Clustering
6 lectures 01:01:52
K-means Clustering
08:06
K-means in Python
11:07
Clustering Gerarchico
11:18
Clustering Gerarchico in Python
12:20
DBSCAN
11:05
DBSCAN in Python
07:56
+ Riduzione della dimensionalità
7 lectures 01:03:03
Principal Component Analysis
12:29
PCA per visualizzare il dataset
05:17
Selezionare il numero di componenti principali
04:30
PCA per velocizzare l'addestramento
11:04
Kernel PCA
09:16
Linear Discriminant Analysis
06:51
Confrontare PCA e LDA
13:36
+ Sezione conclusiva
2 lectures 05:12
I tuoi prossimi passi
04:53
Scegli la tua Strada !
00:19
Requirements
  • Basi di matematica da scuola superiore
  • Conoscere un qualsiasi linguaggio di programmazione può aiutare, ma non è indispensabile in quanto il corso contiene una sezione con tutti i prerequisiti necessari
Description

Fai un passo verso il futuro: AI, Machine Learning e Data Science.

Sai cosa accomuna il successo dei più grandi colossi del web come Google, Amazon e Facebook ? 
L'utilizzo che hanno fatto del machine learning.

Il machine learning è la branca dell'intelligenza artificiale che ha lo scopo di insegnare ai computer ad apprendere autonomamente, senza essere esplicitamente programmati.

Il machine learning non è una novità, ma è finito sotto la luce dei riflettori solo con il nuovo millennio, per due motivi:

  1. L'enorme quantità di dati oggi disponibile sul web.

  2. Il progresso della tecnologia e il crescente aumento della potenza di calcolo.

Questi due fattori, uniti alle sue innumerevoli applicazioni commerciali, stanno contribuendo alla crescita vertiginosa del machine learning che sta trascinando con se l'intero campo dell'intelligenza artificiale.

In questo corso pratico imparerai come funziona il machine learning e come utilizzarlo in maniera pratica, utilizzando il linguaggio Python e librerie popolari come Scikit-learn, Pandas e PyPlot.

Vuoi dare una svolta alla tua carriera ?

L'esperto di machine learning è la professione del futuro e Linkedin lo conferma; secondo una loro recente ricerca il Machine Learning Engineer è la nuova figura più ricercata dalle aziende con un tasso di crescita di quasi il 1000% negli ultimi 5 anni ed è subito seguito dal Data Scientist.

Al termine di questo corso avrai acquisito l'esperienza pratica e le intuizioni teoriche necessarie per lanciare la tua carriera in entrambe queste due nuove professioni.

Vuoi fondare la tua startup nel campo dell'AI ?

Il valore totale del mercato dell'intelligenza artificiale nel 2016 era di 1.3 miliardi di dollari; secondo una ricerca di un'importante società di analisi americana il suo valore per il 2025 potrebbe superare il 60 miliardi.

L'AI è la next big thing e il machine learning ne è il cuore pulsante.

Seguendo questo corso otterrai una visione generale del machine learning e come questo si lega all'intelligenza artificiale e potrai utilizzare queste tue nuove conoscenze per dare vita al tuo business.

A chi è rivolto questo corso ?

Questo corso fa per te se:

  • Vuoi imparare le principali tecniche del machine learning e metterle in pratica da subito, sapendo cosa avviene sotto ogni algoritmo ma senza perderti in matematicismi eccessivi.

Questo corso non fa per te se:

  • Hai studiato tanta matematica e vuoi continuare a vederne tanta, sei più per la teoria che per la pratica, ami i formalismi e preferisci apprendere da chi ha almeno il doppio dei tuoi anni.


Non sai (ancora) programmare e non conosci il linguaggio Python ?
 

Non preoccuparti, ti insegneremo tutto noi durante il corso senza dare nulla per scontato ! L'unica cosa di cui hai bisogno per affrontare questo corso è qualche base di matematica da scuola superiore.

I contenuti del corso

Inizieremo il corso esplorando in breve il vasto campo dell'intelligenza artificiale, come il machine learning si inserisce al suo interno e come quest'ultimo è legato al data science. Costruiremo insieme il tuo ambiente di lavoro, in base alle tue personali esigenze e preferenze.

Subito dopo cominceremo a sporcarci le mani lavorando sul nostro primo dataset. Vedremo insieme le principali tecniche di data preprocessing e feature engineering, ovvero come ottimizzare e manipolare un dataset per renderlo un buon input per un algoritmo di machine learning.

Dopo aver appreso come lavorare con un dataset potremo iniziare a parlare di machine learning.
Ti saranno presentati i due principali tipi di apprendimento:

  • Apprendimento supervisionato.

  • Apprendimento non supervisionato

Eseguiremo una regressione per stimare il valore di un'abitazione in base a diverse sue caratteristiche, come metratura, piani e numero di stanze,  e studieremo brevemente i principali modelli per questo tipo di problema:

  • Regressione lineare semplice

  • Regressione polinomiale 

  • Regressione multipla.

Affronteremo il problema di overfitting e come bias e varianza lo controllano, per contrastarlo studieremo i principali modelli di regressione regolarizzati:

  • Lasso

  • Ridge Regression 

  • Elasticnet

Al termine di questa sezione avrai ottime basi di regressione e saprai come creare i tuoi modelli autonomamente, quindi potremo passare al secondo tipo di problema: la classificazione.

Eseguiremo la nostra prima classificazione, utilizzando un dataset contenente immagini di cifre scritte a mano (MNIST). 
Cominceremo con un modello di classificazione lineare: la regressione logistica, vedendo come questa può essere utilizzata per classificare esempi tra due classi o classi multiple.

Proseguiremo osservando i limiti di modelli lineari e i vantaggi di un approccio non lineare, quindi vedremo i principali modelli di questa nuova categoria: 

  • Alberi e foreste

  • Kernel SVM

  • Nearest neighbors

  • Reti neurali artificiali

A questo punto saprai già come costruire i tuoi modelli per i due principali problemi dell'apprendimento supervisionato: regressione e classificazione.

Concluderemo la sezione con tecniche di debugging e ottimizzazione per rendere i tuoi modelli robusti e velocizzare la fase di addestramento.

Infine passeremo alla seconda categoria di apprendimento: l'apprendimento non supervisionato.

Affronteremo il problema del clustering, ovvero come creare automaticamente dei gruppi di dati riconoscendo delle caratteristiche condivise all'interno del dataset;  a questo scopo studieremo l'algoritmo di clustering più diffusi, sia in ambito accademico che industriale:

  • K-Means

  • Clustring Gerarchico

  • DBSCAN

Termineremo il corso con alcuni consigli su come proseguire, raccomandazioni su libri da leggere per approfondire la parte teorica e competizioni Kaggle a cui partecipare per affinare le skills pratiche.

Who this course is for:
  • Programmatori e sviluppatori che vogliono trovare lavoro nei settori di machine learning e intelligenza artificiale
  • Imprenditori e startupper che vogliono fondare una nuova azienda tecnologica nel campo dell'intelligenza artificiale