Il corso Machine Learning e Data Mining in R è rivolto a chiunque voglia avere una pratica panoramica delle tecniche di apprendimento automatico, dalle più interpretabili - come l’analisi di regressione, delle componenti principali e dei gruppi - a quelle più flessibili come le reti neurali artificiali, sia shallow che deep - e le più ricorrenti problematiche di analisi e modellazione di dati e problemi reali - come collinearità , overfitting, regolarizzazione e knowledge transfer.
Ce cours fait partie de la Spécialisation Data Science con Python e R
Offert par
À propos de ce cours
Ce que vous allez apprendre
Importare, manipolare e visualizzare dati mediante R e i pacchetti inclusi in tidyverse come dplyr e ggplot2
Riconoscere e risolvere in R, mediante i pacchetti aggiuntivi leaps, glmnet, pls, problemi di apprendimento supervisionato e non supervisionato
Comprendere le differenze tra reti neurali artificiali di tipo shallow e deep
Compétences que vous acquerrez
- Pacchetti R: dplyr ggplot2 laps glmnet pls
- Reti neurali artificiali di tipo shallow e deep
- Apprendimento supervisionato e non supervisionato
Offert par

Université de Naples Frédéric II
Founded in 1224, Federico II is the oldest lay University in Europe. With its "Federica Web Learning" Center, it is the leader in Europe for open access multimedia education, and in the world's top ten for the production of MOOCs for providing new links between higher education and lifelong learning. Find out more on www.federica.eu.
Programme de cours : ce que vous apprendrez dans ce cours
Elementi di R
In questa week, ti introdurrò al linguaggio R: avrai una panoramica sulle strutture dati in R, su data wrangling e visualization. Imparerai ad usare i principali pacchetti R, tra cui i famosi dplyr e ggplot2, inclusi in tidyverse. Quando necessario, ti verranno fornite nozioni teoriche di base necessarie per una maggiore comprensione dei concetti implementati in R nei successivi moduli.
Apprendimento automatico non supervisionato
In questa week, dopo aver introdotto la differenza tra metodi di apprendimento automatico (machine learning) supervisionato e non supervisionato, ti verranno illustrate le principali tecniche multivariate di esplorazione dei dati mediante R e i principali metodi di apprendimento automatico non supervisionato, come l'analisi dei gruppi (clustering) e l'analisi delle componenti principali (PCA).
Apprendimento automatico supervisionato
In questa week, approfondirai gli elementi di apprendimento automatico (machine learning) supervisionato. Imparerai ad applicare tecniche di predizione numerica a partire dai modelli lineari di regressione semplice e multipla. Ti sensibilizzerò verso i tipici problemi derivanti dall'applicazione della regressione lineare multipla a data set reali e le più comuni soluzioni attraverso la selezioni degli attributi e la regolarizzazione. Inoltre, ti verranno forniti strumenti pratici per la valutazione della capacità descrittiva (in-sample) e predittiva (out-of-sample) di un metodo di machine learning supervisionato e per la selezione del modello interpretativo migliore.
Reti Neurali e Deep Learning
In questa week ti introdurrò allo studio delle Reti Neurali Artificiali: partirai dal singolo percettrone, che è in grado di risolvere solo problemi di classificazione linearmente separabili, e, passando per il percettrone multilivello, che è in grado di risolvere problemi di classificazione e predizione numerica anche non linearmente separabili, arriverai alla "rivoluzione" del Deep Learning. Vedrai anche come è possibile utilizzare il Knowledge Transfer per addestrare le reti deep.
À propos du Spécialisation Data Science con Python e R
Questa Specialization è rivolta a quanti vogliano acquisire competenze di base nell’ambito della programmazione in Python e imparare ad utilizzare R e Python per risolvere problemi nell’ambito della Data Science. Attraverso i tre corsi, apprenderai come sono organizzate le strutture dei dati in R, come operare con il data wrangling e quali sono le principali tecniche di data visualization più utilizzate in ambito aziendale. Imparerai poi a usare Numpy e Pandas per la gestione dei dati e Matplotlib per la loro visualizzazione, e a risolvere problemi di classificazione, object detection e segmentazione semantica con PyTorch. L’esame finale ti permetterà di sviluppare capacità critiche di lettura dei dati e per valutare senza bias il lavoro dei tuoi colleghi.

Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.