or
Questo esercizio fa parte del corso
Nel primo capitolo del corso eseguirai tutti i passaggi di pre-processing necessari per creare un modello predittivo di machine learning, inclusa la gestione dei valori mancanti, degli outlier e la normalizzazione dell’insieme di dati.
Nel secondo capitolo del corso metterai in pratica diversi aspetti delle tecniche di apprendimento supervisionato, come la selezione dell’insieme ottimale di feature, la regolarizzazione per evitare l’overfitting, il feature engineering e i modelli di ensemble per affrontare il cosiddetto compromesso bias-varianza.
Nel terzo capitolo del corso userai l’apprendimento non supervisionato per applicare tecniche di estrazione di feature e visualizzazione per la riduzione della dimensionalità e metodi di clustering, così da selezionare non solo l’algoritmo di clustering appropriato ma anche il numero ottimale di cluster per un insieme di dati.
Nel quarto e ultimo capitolo del corso alzerai l’asticella applicando bootstrapping e cross-validation per valutare le prestazioni in termini di generalizzazione del modello, tecniche di ri-campionamento per classi sbilanciate, individuare e rimuovere la multicollinearità e costruire un modello di ensemble.
Esercizio attuale