Introduzione al Machine Learning
0 likes229 views
Il documento introduzione al machine learning di Michele Stecca fornisce una panoramica per studenti delle scuole superiori, descrivendo i processi principali come data pre-processing, model training, evaluation e deployment. Viene illustrata la differenza tra vari algoritmi di apprendimento come regressione, alberi decisionali e random forest, insieme a valutazioni delle loro prestazioni. Sono inclusi link utili per ulteriori approfondimenti sugli argomenti trattati.
Introduzione al Machine Learning
- 1. Introduzione al Machine Learning Michele Stecca, Ph.D.
- 2. Disclaimer Questa presentazione è stata pensata e realizzata per l’insegnamento del Machine Learning nelle scuole superiori. Non ha la pretesa di essere una guida esaustiva sull’argomento ma deve essere piuttosto vista come una introduzione per chi si avvicina al tema per la prima volta. L’autore sarà più che felice di ricevere segnalazioni su eventuali errori e/o inesattezze. Profilo Twitter: @steccami Alcuni esempi pratici sviluppati in Python sono disponibili in questo repository: https://github.com/steccami/school_python/
- 3. Due approcci diversi Dati Storici Etichette Modello
- 4. ML come un processo Data Pre-Processing Model Training Model Evaluation/Scoring Model Deployment
- 5. Pre-processing ● Scopo: preparare i dati di input ● Pulizia dei dati!!! – Gestione dei null – Rimozione dati errati – … ● Feature engineering – Riorganizzazione dei dati per arrivare ad algoritmi più efficaci Data Pre-Processing
- 6. Training ● Scopo: estrarre un modello matematico (cioè l’algoritmo) dai dati storici ● Regressione, Classificazione, Clustering ● Esistono molti algoritmi diversi: – Decision Tree – Random Forest – SVM – Linear Regression – Logistic Regression – K-Means – Vedi: https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html Model Training
- 7. Evaluation ● Scopo: capire l’efficacia del modello creato ● Molte metriche: – Precision – Recall – Accurancy – Vedi: https://en.wikipedia.org/wiki/Precision_and_recall Model Evaluation/Scoring
- 8. Deployment ● Scopo: Messa in servizio / installazione del modello ● Per es. Web Service ● Si punta all’Automation Model Deployment
- 9. Come facciamo a capire se un modello funziona bene o male? Dove troviamo i dati “nuovi” per capire se ha generalizzato bene?
- 10. Training e Testing Set Model Training Modello Generato Automaticamente Model Evaluation/Scoring
- 11. Ricapitolando Model Training Modello Generato Automaticamente Model Evaluation/ Scoring Dati Storici (Pre- elaborati) Dati Storici (Input) Data Pre-Processing Model Deployment 1 2 3a 3b 4 5 6
- 13. Regression ● Approccio 1 – Linear Regression
- 14. Regression ● Approccio 1 – Linear Regression
- 16. Regression Approccio 2 – Decision Tree Nota: Non è un approccio geometrico ● https://www.youtube.com/watch?v=eKD5gxPPeY0&list=PLBv09BD7ez_4temBw7vLA19p3tdQ H6FYO ● Altro esempio: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/?lang=en
- 17. Regression Approccio 3 – Random Forest
- 18. Classification ● In realtà Linear Regression, Decision Tree e Random Forest possono essere usati anche per la Classificazione ● Esistono molti altri algoritmi (Logistic Regression, Naive Bayes, ecc.)
- 19. Model Evaluation (Classification): Matrice di Confusione Per approfondimenti vedi nelle reference
- 20. Model Evaluation (Classification): Precision e Recall Per approfondimenti vedi nelle reference
- 21. Convenzioni sui dati Predittori (N variabili) + Etichetta Predittori (N variabili) + EtichettaPredittori (N variabili) + Etichetta Dataset di partenza Training Set Testing Set Predittori (N variabili) Etichetta Predittori (N variabili) Etichetta train_X train_Y test_X test_Y train_test_split (preds)