Machine Learning Foundations

Gli algoritmi di machine learning sono decine, e la difficoltà più comune non è capirne uno: è capire quali contano davvero. Machine Learning Foundations di Data Masters raccoglie in un unico percorso quelli più usati, dai metodi classici a quelli che girano oggi nei progetti reali.

Gli argomenti di Machine Learning Foundations

Il blocco principale riguarda l'apprendimento supervisionato. Sul fronte della classificazione si passa dai modelli probabilistici come Naive Bayes agli algoritmi basati sulla distanza come KNN, fino alle macchine a vettori di supporto (SVM). C'è poi la famiglia degli ensemble: Random Forest, Gradient Boosting, XGBoost e CatBoost, insieme agli alberi decisionali e agli algoritmi genetici.

La seconda parte esce dalla classificazione: clustering con k-means e DBSCAN, riduzione della dimensionalità con PCA e t-SNE. Chiude il cerchio la parte metodologica, cioè come si selezionano le caratteristiche rilevanti e come si valutano le prestazioni di un modello una volta addestrato.

Il taglio è operativo: accanto alle spiegazioni ci sono esercitazioni guidate da scaricare, da rifare in autonomia. Non è un corso di programmazione: la sintassi di Python non viene insegnata da zero, quindi una base di codice serve già. Chi ha già visto i concetti fondamentali può usarlo come ripasso ordinato prima di affrontare temi più avanzati.

Dello stesso autore, Data Masters, si può proseguire con Generative AI, oppure dare un'occhiata agli altri corsi di Informatica.