Machine Learning e Data Science in Python: il Corso Completo

Impara a creare algoritmi di Machine Learning con Python e Scikit-learn - Regressione, Classificazione, Clustering

4.08 (1457 reviews)
Udemy
platform
Italiano
language
Data Science
category
instructor
6,946
students
12 hours
content
Nov 2020
last update
$49.99
regular price

What you will learn

Padroneggiare il machine learning con Python

Analisi di un dataset per estrapolare informazioni utili

Funzionamento dei modelli di machine learning più diffusi

Utilizzare il machine learning su problemi reali

Differenza tra modelli supervisionati e non supervisionati

Scegliere ed ottimizzare un modello di machine learning

Eseguire predizioni e classificazioni partendo dai dati

Eseguire clustering per raggruppare automaticamente dati simili

Imparare ad utilizzare Pandas e Scikit-learn

Lavorare con iPython e Jupyter Notebook

Description

Fai un passo verso il futuro: AI, Machine Learning e Data Science.

Sai cosa accomuna il successo dei più grandi colossi del web come Google, Amazon e Facebook ? 
L'utilizzo che hanno fatto del machine learning.

Il machine learning è la branca dell'intelligenza artificiale che ha lo scopo di insegnare ai computer ad apprendere autonomamente, senza essere esplicitamente programmati.

Il machine learning non è una novità, ma è finito sotto la luce dei riflettori solo con il nuovo millennio, per due motivi:

  1. L'enorme quantità di dati oggi disponibile sul web.

  2. Il progresso della tecnologia e il crescente aumento della potenza di calcolo.

Questi due fattori, uniti alle sue innumerevoli applicazioni commerciali, stanno contribuendo alla crescita vertiginosa del machine learning che sta trascinando con se l'intero campo dell'intelligenza artificiale.

In questo corso pratico imparerai come funziona il machine learning e come utilizzarlo in maniera pratica, utilizzando il linguaggio Python e librerie popolari come Scikit-learn, Pandas e PyPlot.

Vuoi dare una svolta alla tua carriera ?

L'esperto di machine learning è la professione del futuro e Linkedin lo conferma; secondo una loro recente ricerca il Machine Learning Engineer è la nuova figura più ricercata dalle aziende con un tasso di crescita di quasi il 1000% negli ultimi 5 anni ed è subito seguito dal Data Scientist.

Al termine di questo corso avrai acquisito l'esperienza pratica e le intuizioni teoriche necessarie per lanciare la tua carriera in entrambe queste due nuove professioni.

Vuoi fondare la tua startup nel campo dell'AI ?

Il valore totale del mercato dell'intelligenza artificiale nel 2016 era di 1.3 miliardi di dollari; secondo una ricerca di un'importante società di analisi americana il suo valore per il 2025 potrebbe superare il 60 miliardi.

L'AI è la next big thing e il machine learning ne è il cuore pulsante.

Seguendo questo corso otterrai una visione generale del machine learning e come questo si lega all'intelligenza artificiale e potrai utilizzare queste tue nuove conoscenze per dare vita al tuo business.

A chi è rivolto questo corso ?

Questo corso fa per te se:

  • Vuoi imparare le principali tecniche del machine learning e metterle in pratica da subito, sapendo cosa avviene sotto ogni algoritmo ma senza perderti in matematicismi eccessivi.

Questo corso non fa per te se:

  • Hai studiato tanta matematica e vuoi continuare a vederne tanta, sei più per la teoria che per la pratica, ami i formalismi e preferisci apprendere da chi ha almeno il doppio dei tuoi anni.


Non sai (ancora) programmare e non conosci il linguaggio Python ?
 

Non preoccuparti, ti insegneremo tutto noi durante il corso senza dare nulla per scontato ! L'unica cosa di cui hai bisogno per affrontare questo corso è qualche base di matematica da scuola superiore.

I contenuti del corso

Inizieremo il corso esplorando in breve il vasto campo dell'intelligenza artificiale, come il machine learning si inserisce al suo interno e come quest'ultimo è legato al data science. Costruiremo insieme il tuo ambiente di lavoro, in base alle tue personali esigenze e preferenze.

Subito dopo cominceremo a sporcarci le mani lavorando sul nostro primo dataset. Vedremo insieme le principali tecniche di data preprocessing e feature engineering, ovvero come ottimizzare e manipolare un dataset per renderlo un buon input per un algoritmo di machine learning.

Dopo aver appreso come lavorare con un dataset potremo iniziare a parlare di machine learning.
Ti saranno presentati i due principali tipi di apprendimento:

  • Apprendimento supervisionato.

  • Apprendimento non supervisionato

Eseguiremo una regressione per stimare il valore di un'abitazione in base a diverse sue caratteristiche, come metratura, piani e numero di stanze,  e studieremo brevemente i principali modelli per questo tipo di problema:

  • Regressione lineare semplice

  • Regressione polinomiale 

  • Regressione multipla.

Affronteremo il problema di overfitting e come bias e varianza lo controllano, per contrastarlo studieremo i principali modelli di regressione regolarizzati:

  • Lasso

  • Ridge Regression 

  • Elasticnet

Al termine di questa sezione avrai ottime basi di regressione e saprai come creare i tuoi modelli autonomamente, quindi potremo passare al secondo tipo di problema: la classificazione.

Eseguiremo la nostra prima classificazione, utilizzando un dataset contenente immagini di cifre scritte a mano (MNIST). 
Cominceremo con un modello di classificazione lineare: la regressione logistica, vedendo come questa può essere utilizzata per classificare esempi tra due classi o classi multiple.

Proseguiremo osservando i limiti di modelli lineari e i vantaggi di un approccio non lineare, quindi vedremo i principali modelli di questa nuova categoria: 

  • Alberi e foreste

  • Kernel SVM

  • Nearest neighbors

  • Reti neurali artificiali

A questo punto saprai già come costruire i tuoi modelli per i due principali problemi dell'apprendimento supervisionato: regressione e classificazione.

Concluderemo la sezione con tecniche di debugging e ottimizzazione per rendere i tuoi modelli robusti e velocizzare la fase di addestramento.

Nella sezione successiva passeremo alla seconda categoria di apprendimento: l'apprendimento non supervisionato.

Affronteremo il problema del clustering, ovvero come creare automaticamente dei gruppi di dati riconoscendo delle caratteristiche condivise all'interno del dataset;  a questo scopo studieremo l'algoritmo di clustering più diffusi, sia in ambito accademico che industriale:

  • K-Means

  • Clustring Gerarchico

  • DBSCAN

Tecniche di Riduzione della Dimensionalità si rivelano incredibilmente utili quando lavoriamo con dataset che hanno un numero elevato di dimensioni, sia per poterli visualizzare graficamente, sia per poter velocizzare la fase di addestramento. In questa sezione parleremo proprio di questi argomenti.

Termineremo il corso con alcuni consigli su come proseguire, raccomandazioni su libri da leggere per approfondire la parte teorica e competizioni Kaggle a cui partecipare per affinare le skills pratiche.

Content

Introduzione

Benvenuto nel futuro !
Perchè l'AI è hot ?
Cosa è il machine learning...
.. e la data science ?
Come funziona il machine learning ?
Le tecniche del machine learning
Scegli il tuo ambiente di lavoro
Prima di cominciare

Il Dataset

Dataset strutturati
Dataset non strutturati
Analisi di un dataset con Pandas
Tipi di dati
Label encoding e one-hot encoding
Gestire dati mancanti
Portare il dataset sulla stessa scala
Normalizzazione e standardizzazione di un dataset con Pandas
Splitting del dataset
Train/Test split con scikit-learn

Apprendimento supervisionato - Regressione

Regressione lineare
La funzione di costo
L'apprendimento dei pesi tramite Gradient Descent
Regressione lineare semplice in Python
Regressione lineare multipla
Regressione lineare multipla in Python
Regressione polinomiale
Regressione polinomiale in Python

Regolarizzazione e modelli regolarizzati

Il problema dell'overfitting
Riconoscere l'overfitting
Regolarizzazione L1 ed L2
Ridge, Lasso ed ElasticNet

Apprendimento supervisionato - Classificazione

Regressione logistica
Regressione logistica in Python
Classificazione multiclasse
Classificazione OneVSAll con scikit-learn

Modelli di classificazione non lineari

K-Nearest Neighbor (K-NN)
K-NN in Python
Alberi decisionali
Alberi decisionali in Python
Foreste casuali
Foreste casuali in Python
Macchine a vettori di supporto (SVM)
SVM in Python
Kernel SVM
Kernel SVM in Python
Reti neurali artificiali (ANN)
Addestramento di una rete neurale tramite backpropagation
Percettrone Multistrato in Python

Tecniche di validazione ed ottimizzazione

Batch, Stochastic e Mini Batch Gradient Descend
Stochastic e Mini Batch Gradient Descend con scikit-learn
Tecniche di cross validation
K-fold cross validation in Python
Ottimizzazione degli iperparametri
Grid search e Random search in Python

Apprendimento non supervisionato - Clustering

K-means Clustering
K-means in Python
Clustering Gerarchico
Clustering Gerarchico in Python
DBSCAN
DBSCAN in Python

Riduzione della dimensionalità

Principal Component Analysis
PCA per visualizzare il dataset
Selezionare il numero di componenti principali
PCA per velocizzare l'addestramento
Kernel PCA
Linear Discriminant Analysis
Confrontare PCA e LDA

Sezione conclusiva

I tuoi prossimi passi
Scegli la tua Strada !

Prerequisiti: Basi di Programmazione con Python

Non sai (ancora) programmare ? Parti da qui
Eseguire codice Python
Input e output
Variabili e tipi di dati
Gestire le eccezioni
Formattazione
Liste e tuple
Set e frozenset
I dizionari
Il ciclo for
Ciclo while ed espressioni booleane
Istruzioni condizionali e operatori logici
Le funzioni
Classi e basi di programmazione ad oggetti
I moduli e la Standard Library
pip e il Python Package Index

Approfondimento: Guida a Jupyter Notebook

Installazione di Anaconda
I comandi di base
Introduzione a Markdown
Aggiungere file multimediali
Scrivere formule scientifiche con LaTeX
Eseguire codice Python
Utilizzare comandi di sistema

Approfondimento: Calcolo numerico con Numpy

Vettori con Numpy
Matrici con Numpy
La vettorizzazione

Approfondimento: Grafici e Visualizzazioni con Matplotlib

Il grafico di dispersione
Il grafico a linee
Il grafico a barre

Screenshots

Machine Learning e Data Science in Python: il Corso Completo - Screenshot_01Machine Learning e Data Science in Python: il Corso Completo - Screenshot_02Machine Learning e Data Science in Python: il Corso Completo - Screenshot_03Machine Learning e Data Science in Python: il Corso Completo - Screenshot_04

Reviews

Ilaria
October 29, 2023
Le funzionalità vanno spiegate, non mostrate a raffica. Così è impossibile sia procedere con la teoria (non si riesce a prendere appunti) sia con la pratica, tutto è troppo rapido e confuso.
Gianmarco
May 21, 2023
Il corso è interessante e mostra molte funzioni utili. Avrei gradito una maggiore spiegazione sulla scrittura del codice, nulla di troppo tecnico. Comunque interessante :)
Donatello
May 13, 2023
Corso interessante, insegnante chiaro ed esaustivo. Gli approfondimenti sono preziosi e funzionali. Il corso è strutturato benissimo.
Claudio
May 10, 2023
Concetti anche se non troppo semplici, spiegati in modo chiaro ed efficace dall'insegnante. Corso molto ben strutturato ad un livello di approfondimento adeguato per fornire le basi per iniziare a lavorare su queste tematiche. Complimenti!
Francesco
February 22, 2023
Pessimo per chi è alle prime armi. Purtroppo convinto, dai video free prima di aquistare il corso, avevo comprato diversi corsi da loro e lasciati per dopo... ora non posso neanche più chiedere il rimborso ma colpa mia... Corso strutturato male, buttata li un po di fretta. Un esempio lezione 12... Prima elaborazione di file CSV... sinceramente non ci vuole tanta premura per lasciare come risorsa il file CSV utilizzato durante la lezione. Invece di spiegare subito tutti i tipi di machine learning sarebbe più opportuno spiegarne uno e finirlo per poi passare al prossimo, altrimenti lo studente fa solo confusione e non rimane sul pezzo. Sarebbe più oppurtuno guidare passo per passo anche attraverso le installazioni dei diversi moduli, capisco che chi arriva a un corso del genere non ha 0 esperienza ma compunque potrebbe installare moduli diversi con nomi simili... Aggiornate il corso... Atom è stato disativato da github più di un anno fa ormai... Continuo con le lezioni sperando di poter cambiare questo voto.
Marco
January 31, 2023
Spiegazioni molto chiare e numerosi esempi. In molti casi, purtroppo, si sono date per scontate conoscenze che si potrebbero non avere. Forse un po' più di teoria sarebbe utile. Corso comunque ben fatto
Fabrizio
January 27, 2023
Esperienza molto positiva. Corso molto completo che abbraccia tutti gli argomenti essenziali della materia
Francesco
December 22, 2022
Sono alla sezione dataset. Seguendo la direzione dello speaker con jupyter notebook sono riuscito a farmi un comodo documento in cui ho racchiuso tutte le nozioni di Pandas imparate. Il corso mi sembra (fino ad ora) chiaro e scorrevole.
Roberto
November 17, 2022
Complimenti, un corso veramente interessante: ho imparato tantissime cose, l'unica cosa che posso suggerire è quella di avere delle basi ed una preparazione sulle tecniche del Machine Learning Comunque grazie e complimenti ancora
Luca
October 31, 2022
Fin qui un corso veramente eccellente, non sono riuscito ancora a concluderlo perchè è veramente denso di contenuti e preferisco capire bene prima di procedere. Bravissimo Giuseppe!
Yongbin
October 15, 2022
spiegazione in modo superficiale, quando fa vedere degli esempi csv, non lascia nemmeno la copia per farlo testare da solo
Francesco
October 11, 2022
Va decisamente aggiornato, ho dovuto spacchettare package per trovare i corrispettivi di alcuni metodi. Per il resto mi sembra un ottimo corso per iniziare.
Davide
September 22, 2022
Alcuni argomenti vengono spiegati troppo superficialmente escludendo dettagli che per un principiante potrebbero fare la differenza.
Davide
August 14, 2022
Come mio primo corso acquistato su Udemy posso dire che supera di molto le mie aspettative. Lo consiglio a tutti quelli che vogliono acquisire competenze di Machine Learning e Python.
Consulenti.Formazione1
August 3, 2022
Si ho imparato molte cose, manca però come salvare un modello ritenuto soddisfacente e poi come poterlo utilizzare a fronte di nuove previsioni

Charts

Price

Machine Learning e Data Science in Python: il Corso Completo - Price chart

Rating

Machine Learning e Data Science in Python: il Corso Completo - Ratings chart

Enrollment distribution

Machine Learning e Data Science in Python: il Corso Completo - Distribution chart
1537350
udemy ID
2/2/2018
course created date
11/1/2019
course indexed date
Bot
course submited by