Machine Learning - Dalla Teoria alla Pratica

Corso tenuto da: Daniele Teti, sviluppatore principale di DMVCFramework

Durata: 2 giorni | Prezzo: € 690,00 IVA esclusa
Sconto del 10% per più persone della stessa azienda

Prossimo corso in partenza 29 Gennaio 2026 - 02 Febbraio 2026

Descrizione

Un corso pratico che ti accompagna dal concetto teorico del Machine Learning alla realizzazione di modelli operativi in produzione. Approccio hands-on con progetti reali e focus sull’applicabilità aziendale immediata.

Contenuti
GIORNO 1 – Fondamenti e Primi Modelli Operativi
Modulo 1: Dalle Tecniche Classiche al ML
  • Limiti dei sistemi esperti tradizionali
  • I tre paradigmi del Machine Learning: Supervised, Unsupervised, Reinforcement
  • Applicazione pratica: Catena di Markov per generazione testo
  • Dal determinismo alle predizioni probabilistiche
Modulo 2: Regressione Lineare
  • Predizione di valori numerici: da y=ax+b al mondo multidimensionale
  • Workflow ML standard: Problem Definition → Deployment

    Progetto Pratico: House Price Predictor con California Housing Dataset
    Metriche di valutazione: R², RMSE e interpretazione business

Modulo 3: Classificazione con Random Forest
  • Decisioni categoriche e problemi di classificazione
  • Ensemble Learning: la saggezza della folla applicata agli algoritmi

    Progetto Pratico: Wine Quality Classifier con dataset UCI
    Metriche avanzate: Precision, Recall e trade-off business

Modulo 4: Cross-Validation
  • Evitare l’auto-inganno: overfitting e generalizzazione
  • K-Fold Cross-Validation per stime robuste
  • Confronto sistematico tra algoritmi diversi
  • Decisioni basate su evidenza statistica
GIORNO 2 – Tecniche Avanzate e Produzione
Modulo 5: Data Preprocessing
  • Gestione dati reali: missing values, outliers, scale diverse
  • Strategie di imputation e feature scaling
  • Pipeline automatizzate con scikit-learn
  • Prevenzione del data leakage
Modulo 6: Unsupervised Learning
  • Scoperta di pattern nascosti: clustering e segmentazione
  • Algoritmo K-Means e ottimizzazione
  • Progetto Pratico: Customer Segmentation con analisi RFM
  • Valutazione senza ground truth: Silhouette Score ed Elbow Method
Modulo 7: Hyperparameter Tuning
  • Ottimizzazione sistematica delle performance
  • Grid Search vs Random Search vs Bayesian Optimization
  • Learning Curves per diagnostica avanzata
  • Bilanciamento overfitting/underfitting
Modulo 8: Deployment e Produzione
  • Dal notebook Jupyter al sistema in produzione
  • Model persistence e versioning

Progetto Pratico: REST API per model serving
Monitoring, A/B testing e model drift detection

Progetti Pratici Inclusi

  • House Price Predictor – Regressione lineare su dataset California Housing (20k+ campioni)
  • Wine Quality Classifier – Random Forest su dataset UCI con feature importance
  • Customer Segmentation – K-Means clustering per marketing personalizzato
  • Production API – Flask microservice production-ready con error handling
Competenze Acquisite
  • Workflow ML completo: dalla business question al modello deployato
  • Algorithm selection: quando usare regressione, classificazione o clustering
  • Production readiness: API development, monitoring e deployment patterns
  • Autonomia operativa: capacità di gestire progetti ML end-to-end
Requisiti
  • Conoscenza base di programmazione (Python preferibile ma non indispensabile)
  • Familiarità con concetti matematici di base
  • Laptop personale per le esercitazioni pratiche
Materiali Forniti
  • Datasets reali per tutti i progetti
  • Codice sorgente completo degli esempi
  • Template di pipeline riutilizzabili
  • Certificato bit Time Academy
 
Torna in alto