modulo #1 Introduzione all'apprendimento automatico Panoramica dell'apprendimento automatico, tipi di apprendimento automatico e importanza dell'apprendimento automatico
modulo #2 Fondamenti matematici Algebra lineare, calcolo, probabilità e statistica
modulo #3 Preelaborazione dei dati Pulizia dei dati, ridimensionamento delle funzionalità, normalizzazione e selezione delle funzionalità
modulo #4 Apprendimento supervisionato Introduzione all'apprendimento supervisionato, regressione e classificazione
modulo #5 Regressione lineare Regressione lineare semplice e multipla, funzione di costo e discesa del gradiente
modulo #6 Regressione logistica Regressione logistica, funzione sigmoide e funzione di costo
modulo #7 Alberi decisionali Introduzione agli alberi decisionali, entropia e guadagno di informazioni
modulo #8 Foreste casuali Apprendimento di ensemble, foreste casuali e ottimizzazione degli iperparametri
modulo #9 Macchine a vettori di supporto Introduzione alle SVM, kernel trick e SVM a margine morbido
modulo #10 Apprendimento non supervisionato Introduzione all'apprendimento non supervisionato, al clustering e alla riduzione della dimensionalità
modulo #11 Clustering K-Means Algoritmo di clustering K-means, funzione di costo e algoritmo di Lloyds
modulo #12 Clustering gerarchico Clustering gerarchico, clustering agglomerativo e divisivo
modulo #13 Analisi delle componenti principali Introduzione a PCA, autovalori e autovettori
modulo #14 Fondamenti del deep learning Introduzione al deep learning, reti neurali e perceptron
modulo #15 Reti neurali convoluzionali Introduzione alle CNN, livelli convoluzionali e livelli di pooling
modulo #16 Reti neurali ricorrenti Introduzione alle RNN, LSTM e GRU
modulo #17 Elaborazione del linguaggio naturale Introduzione a NLP, preelaborazione del testo e incorporamenti di parole
modulo #18 Valutazione e selezione del modello Metriche per la valutazione, l'overfitting e la selezione del modello tecniche
modulo #19 Ottimizzazione degli iperparametri Introduzione all'ottimizzazione degli iperparametri, alla ricerca in griglia e alla ricerca casuale
modulo #20 Distribuzione del modello Distribuzione di modelli di apprendimento automatico, modellazione e considerazioni
modulo #21 Etica ed equità nell'apprendimento automatico Pregiudizi ed equità nell'apprendimento automatico, etica e trasparenza
modulo #22 Casi di studio nell'apprendimento automatico Applicazioni reali dell'apprendimento automatico, casi di studio e progetti
modulo #23 Argomenti avanzati nell'apprendimento automatico Argomenti avanzati nell'apprendimento automatico, tra cui apprendimento per rinforzo e modelli generativi
modulo #24 Riepilogo e conclusione del corso Pianificare i prossimi passi nella carriera di Machine Learning
