Corso Data Science e Intelligenza Artificiale

Lezione 1 • Introduzione a Matematica e Statistica

Ripassa algebra lineare, intuizione del calcolo infinitesimale e probabilità necessarie per gli algoritmi di ML. Collega la matematica astratta alle applicazioni di data science.

Lezione 2 • Tipi e Strutture di Dati

Distingue i formati di dati strutturati, semi-strutturati e non strutturati. Prepara gli studenti a gestire dataset reali eterogenei.

Lezione 3 • Il Panorama della Data Science

Definisce data science, IA e ML come discipline distinte ma sovrapposte. Stabilisce il vocabolario utilizzato durante tutto il corso.

Lezione 4 • Configurazione dell'Ambiente di Lavoro

Installa e configura Python, Jupyter e le librerie essenziali. Garantisce che ogni studente disponga di uno spazio di lavoro riproducibile.

Lezione 1 • Tecniche di Pulizia dei Dati

Identifica e risolve valori mancanti, duplicati e formati incoerenti. Migliora direttamente l'accuratezza del modello a valle.

Lezione 2 • Fondamenti di Feature Engineering

Trasforma variabili grezze in feature informative per modelli di ML. Introduce tecniche di codifica, ridimensionamento e creazione di feature derivate.

Lezione 3 • Analisi Esplorativa dei Dati

Utilizza riepiloghi statistici e visualizzazioni per scoprire pattern e anomalie. Informa la generazione di ipotesi prima della modellazione.

Lezione 4 • Ingestione e Caricamento dei Dati

Carica dati da file, API e database utilizzando pandas e connettori SQL. Stabilisce il punto di ingresso per ogni pipeline di dati.

Lezione 1 • Valutazione e Validazione del Modello

Applica suddivisioni train-test, validazione incrociata e metriche di prestazione per valutare i modelli. Previene la fuga di dati e garantisce una valutazione affidabile.

Lezione 2 • Algoritmi di Classificazione

Copre la regressione logistica, gli alberi decisionali e i k-nearest neighbors per compiti di classificazione. Evidenzia i confini decisionali e gli output di probabilità.

Lezione 3 • Algoritmi di Regressione

Implementa modelli di regressione lineare, polinomiale e regolarizzata. Collega le derivazioni matematiche alle implementazioni di scikit-learn.

Lezione 4 • Ottimizzazione degli Iperparametri

Ottimizza le prestazioni del modello tramite strategie di grid search e random search. Introduce il concetto di validation set distinto dal test set.

Lezione 1 • Interpretabilità del Modello

Utilizza i valori SHAP e l'importanza per permutazione per spiegare le previsioni di modelli complessi. Collega l'interpretabilità alla fiducia degli stakeholder e al debugging.

Lezione 2 • Bagging e Random Forest

Spiega il campionamento bootstrap e il suo effetto di riduzione della varianza. Implementa random forest e interpreta i punteggi di importanza delle feature.

Lezione 3 • Macchine a vettori di supporto

Deriva il classificatore a margine massimo e il kernel trick per confini non lineari. Applica le SVM a problemi di classificazione e regressione.

Lezione 4 • Stacking e Blending

Combina diversi modelli base tramite meta-learner per ridurre l'errore di generalizzazione. Introduce pipeline di stacking corrette per prevenire fughe di dati.

Lezione 1 • Rilevamento di Anomalie e Outlier

Rileva eventi rari utilizzando isolation forest, autoencoder e metodi statistici. Applica le tecniche a scenari di rilevamento frodi e controllo qualità.

Lezione 2 • Riduzione della Dimensionalità

Riduce lo spazio delle feature con PCA, t-SNE e UMAP preservandone la struttura. Abilita la visualizzazione e accelera la modellazione a valle.

Lezione 3 • Algoritmi di Clustering

Implementa i metodi di clustering k-means, gerarchico e DBSCAN. Valuta la qualità dei cluster con punteggi di silhouette e analisi del gomito.

Lezione 1 • Backpropagation e Ottimizzazione

Deriva la backpropagation e la collega alle varianti della discesa del gradiente. Copre ottimizzatori come Adam, RMSProp e la schedulazione del tasso di apprendimento.

Lezione 2 • Regolarizzazione e Buone Pratiche di Addestramento

Applica dropout, batch normalization e early stopping per prevenire l'overfitting. Stabilisce flussi di lavoro di addestramento affidabili per modelli di grado produttivo.

Lezione 3 • Reti Neurali Ricorrenti e LSTM

Modella dati sequenziali con RNN, LSTM e GRU. Applica le architetture a compiti di previsione di serie temporali e sequenze testuali.

Lezione 4 • Reti Neurali Convoluzionali

Costruisce CNN per la classificazione di immagini utilizzando convoluzione, pooling e strati completamente connessi. Introduce il transfer learning con modelli preaddestrati.

Lezione 1 • Word Embedding

Addestra e utilizza rappresentazioni vettoriali dense con Word2Vec, GloVe e FastText. Dimostra come la similarità semantica è codificata nello spazio di embedding.

Lezione 2 • Compiti Classici di NLP

Implementa analisi del sentimento, riconoscimento di entità nominate e classificazione del testo. Collega i modelli tradizionali di ML alle pipeline di feature NLP.

Lezione 3 • Fine-Tuning di Modelli Linguistici Pre-Addestrati

Esegue il fine-tuning di modelli in stile BERT e GPT su compiti NLP a valle utilizzando Hugging Face. Copre il prompt engineering e la valutazione degli output dei modelli linguistici.

Lezione 4 • Preelaborazione e Rappresentazione del Testo

Pulisce e tokenizza il testo grezzo, quindi lo converte in rappresentazioni numeriche. Stabilisce la pipeline di input per tutti i modelli NLP.

Lezione 1 • Monitoraggio del Modello e Rilevamento del Drift

Tiene traccia della qualità delle previsioni, del data drift e del concept drift nei sistemi live. Attiva pipeline di riaddestramento quando le prestazioni degradano.

Lezione 2 • Impacchettamento e Serving del Modello

Impacchetta modelli come API REST usando Flask e FastAPI, per poi containerizzarli con Docker. Abilita un consumo del modello scalabile e indipendente dal linguaggio.

Lezione 3 • Pipeline di ML e Automazione del Flusso di Lavoro

Progetta pipeline end-to-end riproducibili utilizzando scikit-learn Pipeline e strumenti di orchestrazione. Elimina i passaggi manuali che causano fallimenti in produzione.

Lezione 4 • Principi di MLOps e CI/CD

Applica le pratiche DevOps al ML: versionare dati, codice e modelli insieme. Implementa pipeline CI/CD che testano e distribuiscono i modelli automaticamente.