Machine Learning real life applications by examples

Sviluppo applicazioni Big Data con Scala e Spark
18 aprile 2017
Programmare app iOS per iPhone e iPad in Swift
19 aprile 2017
Big Data

Machine Learning real life applications by examples

Il Machine Learning, secondo una celebre definizione risalente ai primi anni ’60,  è “la scienza che consente alle macchine di apprendere senza essere esplicitamente programmate”. Disciplina tornata alla ribalta oggi grazie alla grande quantità di dati (Big Data) generata quotidianamente sul cloud principalmente da smartphone (app), dispositivi wereable, IoT e social nonché per il grado di sviluppo delle tecnologie in grado di consentire l’analisi di queste grandi quantità di dati in tempi rapidi mediante processamento distribuito (cluster di server). Il corso introdurrà i concetti e le tecniche principali di Machine Learning utilizzando un approccio molto pratico basato su esempi di casi d’uso reali facilmente riproducibili.

 

Prerequisiti

Questo corso è destinato principalmente a sviluppatori/CTO/PM. La conoscenza della programmazione e delle architetture distribuite costituisce un requisito preferenziale per una maggiore comprensione dei temi che verranno trattati durante il corso.

 

 

 

Obiettivi formativi

Alla fine del corso i partecipanti saranno in grado di individuare gli algoritmi di Machine Learning adatti ad implementare le funzionalità di analisi predittiva più comunemente utilizzate nelle moderne piattaforme cloud nonché identificare le metodologie e gli strumenti più adatti per la creazione di un prototipo completamente funzionante.

 

 

 

 

Programma

  • Introduction to Artificial Intelligence
  • Machine Learning and Data Science
  • What kind of problems can Machine Learning solve?
  • Overview of practical use cases for Machine Learning
  • Typical ML workflow: introducing CRISP-DM standard
  • Data and problem definition
  • Data collection
  • Data pre-processing
  • Supervised vs. Unsupervised learning
  • Classification
  • Running your first classifier using WEKA
  • Regression
  • Clustering
  • Collaborative Filtering
  • Affinity Analysis: MBA
  • Introduction to Neural Networks and Deep Learning
  • Evaluation and prediction error metrics
  • Exporting models for use in production: custom persistence vs. PMML
  • Deployment at scale using Hadoop and Spark