Lo scopo è mostrare le potenzialità del Machine Learning rispetto agli obiettivi di interpretazione delle esigenze dei clienti e del mercato
Il corso prevede l'illustrazione, la spiegazione e la dimostrazione pratica dei servizi cognitivi desctritti

• Terminologia ( mostra)
  • Statistica, Data meaning, Intelligenza artificiale, Machine learning
  • Modello
  • Algoritmo
  • Dati e Big Data
  • Data Science
• Servizi cognitivi principali funzionalità ottenibili con il Machine Learning ( mostra)
  • Computer vision: classificazione di immagini, riconoscimento di scene, attività, celebrità, caratteri, scrittura manoscritta, rivelazione di visi, riconoscimento e identificazione di persone, riconoscimento di emozioni, estrazione di testo, valori e tabelle da documenti
  • Speech: trascrizione dal parlato, produzione di parlato da un testo scritto, traduzione in tempo reale, identificazione oratore
  • Language: risconoscimento nome-entità (NER),key phrase extraction, Text sentiment analysis, riconoscimento di domande e risposte, identificazione idioma, traduzione automatica, comprensione del linguaggio

I modelli e gli algoritmi del Machine Learning vengono analizzati nel dettaglio matematico ed implementativo
In base alle reali esigenze dell'azienda è possibile anche procedere con lezioni di implementazione dei modelli in un linguaggio di programmazione, oppure con esempi di come usare tecnologie esistenti con linguaggi di script come Phyton

• Terminologia i componenti e gli elementi del Machine Learning vengono illustrati e ne viene spiegata la funzione negli ambiti di interesse dall'azienda ( mostra)
  • Approcci: supervised, unsupervised, reinforced learning
  • Applicazioni comuni: ottimizzazione, classificazione, regressione, clustering
  • Preparazione dati: normalizzazione
  • Ipotesi, errori empirici, errori, regolarizzazione, bias e varianza, loss functions, cross-validation.
• Ottimizzazione vengono presentati i fondamenti dei problemi di ottimizzazione con esempi se possibile applicati all'azienda ( mostra)
  • Termini e concetti: ottimizzazione convessa, moltiplicatori di Lagrange, modello duale (duality), tecniche di gradiente e sub-gradiente, regolarizzazione (Shrinkage) L1 ed L2 della funzione costo
  • Algoritmi: discesa del gradiente (batch), discesa stocastica del gradiente,
• Classificazione vengono presentati i fondamenti dei problemi di classificazione con esempi se possibile applicati all'azienda ( mostra)
  • Regressione logistica
  • Support Vector Machine, kernel trick
• Regressione vengono presentati i fondamenti dei problemi di regressione con esempi se possibile applicati all'azienda ( mostra)
  • Metodi di shrinkage: lasso e ridge regression
• Clustering vengono presentati i fondamenti dei problemi di clustering con esempi se possibile applicati all'azienda ( mostra)
  • Algoritmo k-means
  • Clustering gerarchico
• Metodi Bayesiani( mostra)
  • Terminologia: probabilità e verosimiglianza
  • Modelli generativi e modelli e discriminanti, il modello di miscela gaussiana
  • Classificazione di un argomento con modello generativo: Latent Dirichlet allocation
• Reti neurali( mostra)
  • Terminologia: neurone, funzione di attivazione, strati
  • Reti convoluzionali: convolutional layer, pooling layer, backpropagation
  • Reti con memoria: recurrent neural networks, long-short term memory
• Altri metodi( mostra)
  • Alberi di decisione
  • Reccomender systems
  • Markov decision processes