Un laboratorio di machine learning orientato al metodo: dalla qualità del dataset alla scelta di una baseline, fino al confronto tra modelli su dati non visti. Si lavora con Python su un caso dimostrativo e si discutono interpretazione dei risultati, errori e limiti d’uso.
Prerequisiti
Sono utili Python, statistica descrittiva e algebra di base. Per le esercitazioni serve un computer con l’ambiente didattico indicato prima dell’avvio.
Obiettivi
- Esaminare qualità, provenienza e limiti di un dataset
- Preparare feature e separare correttamente dati di addestramento e verifica
- Costruire una baseline e confrontarla con almeno un modello
- Valutare generalizzazione, metriche ed errori per sottogruppi
- Presentare risultati e limiti in modo comprensibile
Programma
- Domanda e dati: obiettivo e target; qualità dei dati; rischio di leakage
- Preparazione: pulizia e feature; suddivisione dei dati; pipeline riproducibili
- Baseline e modelli: baseline semplice; addestramento; parametri
- Validazione: metriche; cross validation; analisi degli errori
- Interpretazione: generalizzazione; limiti e bias; comunicazione dei risultati
- Laboratorio finale: pipeline completa; confronto tra modelli; scheda dei limiti
Laboratorio
Su un dataset dimostrativo i partecipanti realizzano una pipeline riproducibile, confrontano baseline e modello e preparano una breve scheda che spiega metriche, errori e condizioni in cui il risultato non è affidabile.
Il calendario, le condizioni di accesso e l’apertura delle iscrizioni saranno confermati prima della vendita. Per un team aziendale è possibile richiedere una proposta personalizzata.
Recensioni
Ancora non ci sono recensioni.