Machine Learning con MATLAB

Giorno 1/2

Importazione e organizzazione di dati

Obiettivo: Importare i dati in MATLAB e organizzarli per l'analisi, incluse la normalizzazione dei dati e la rimozione di osservazioni con valori mancanti.

• Tipi di dati
• Tabelle
• Preparazione dei dati

Ricerca di pattern naturali nei dati

Obiettivo: Utilizzare tecniche di apprendimento senza supervisione per raggruppare osservazioni in base a un set di variabili esplicative e individuare pattern naturali in un set di dati.

• Apprendimento senza supervisione
• Metodi di clustering
• Interpretazione e valutazione dei cluster

Costruzione di modelli di classificazione

Obiettivo: Usare le tecniche di apprendimento con supervisione per realizzare modelli predittivi per problemi di classificazione. Valutare la precisione di un modello predittivo.

• Apprendimento con supervisione
• Training e convalida
• Metodi di classificazione

Giorno 2/2

Miglioramento dei modelli predittivi

Obiettivo: Ridurre la dimensionalità di un set di dati. Migliorare e semplificare i modelli di Machine Learning.

• Convalida incrociata
• Ottimizzazione degli iperparametri
• Trasformazione delle feature
• Selezione delle feature
• Apprendimento d'insieme

Costruzione di modelli di regressione

Obiettivo: Usare le tecniche di apprendimento con supervisione per costruire modelli predittivi per variabili di risposta continue.

• Metodi di regressione parametrica
• Metodi di regressione non parametrica
• Valutazione dei modelli di regressione

Creazione di reti neurali

Obiettivo: Creare e addestrare reti neurali per clustering e modelli predittivi. Modificare l'architettura della rete per migliorare le prestazioni.

• Clustering con self-organizing map (SOM)
• Classificazione con reti feed-forward
• Regressione con reti feed-forward