Introduzione al Machine Learning predittivo

Descrizione

Il Machine Learning predittivo è senz’altro oggi al picco delle aspettative nella Data Science. Si tratta di un insieme di tecniche logiche ed algoritmi matematici per prevedere in modo automatico informazioni numeriche e non, basandosi sui dati aziendali del passato (dei quali si assume quindi la disponibilità), contribuendo così a prendere decisioni operative in modo guidato dai dati (data-driven), seppur sempre col supporto dell’esperienza delle persone.

Il corso, dopo aver illustrato gli aspetti teorici ed i concetti fondamentali del Machine Learning, si sofferma sul problema chiave della sua applicazione: scegliere le implementazioni adatte, i casi d’uso aziendali dove esso può funzionare e fare la differenza, evitando invece le implementazioni premature. Il corso ha un taglio pratico orientato alle aziende e fornisce esempi, linee-guida e casi d’uso.
Saranno illustrate competenze e figure necessarie ed alcuni tipici aspetti organizzativi legati all’introduzione in azienda del Machine Learning ed alla sua gestione, per poi passare all’integrazione in azienda e nel portafoglio applicativo dei vari modelli che si vanno a costruire (da parte del Data Scientist o dei tool).

Obiettivi

L’obiettivo principale del corso è fornire ai partecipanti le competenze per comprendere algoritmi e tecniche del Machine Learning predittivo, come integrarlo in azienda e quali sono le implementazioni adatte. Il corso ha lo scopo di mostrare strumenti e linguaggi di Machine Learning, ma non fornisce le competenze per utilizzarli.

Conoscenze in uscita

A fine corso, i partecipanti saranno in grado di:

• Comprendere algoritmi e tecniche l0gico-matematiche del Machine Learning
• Valutare in modo obiettivo le potenzialità del Machine Learning in azienda
• Scegliere le modalità corrette di integrazione e implementazione in azienda

Programma didattico

Introduzione al Machine Learning predittivo 

• Che cosa è il ML e perché se ne parla tanto oggi. Realtà vs hype
• Perchè il ML può aiutare le aziende a prendere decisioni migliori
• Sviluppare una mentalità data-driven
• Quali aspetti del business di una azienda sono adatti al ML (predittivo)?

Dati e variabili

• Analisi dati esplorativa: pattern e relazioni
• Modelli e dataset
• Osservazioni e tipi variabili

I modelli 

• Comprensione vs. previsione.
• Le tipologie classiche di «problema di ML»
• Un framework più ampio: modelli descrittivi, predittivi e prescrittivi
• Altre tipologie di modelli

La previsione numerica 

• Algoritmi di previsione numerica
• Dataset imperfetti e mal classificati
• Generalizzazione, Overfitting, variabili omesse e underfitting
• L’importante trade-off tra bias a varianza.

La classificazione 

• Algoritmi di classificazione: KNN, alberi di classificazione, regole di classificazione, ecc. Esempi.
• Classificazione binaria vs non-binaria.
• Cenni ai metodi ensemble (boosting, bagging, forest)

Oltre la regressione lineare semplice 

• Linearizzazione tramite trasformazione di variabile
• Cenni a regressioni multipla e multivariata
• Regressione non-lineare
• Cenni a regressione step-wise

La valutazione e la selezione del modello 

• Valutazione dell’accuratezza dei modelli predittivi
• Prediction error: tipologie a seconda del modello
• La validazione incrociata (cross-validation)
• Il bootstrapping
• Valutazione oggettiva vs soggettiva

Ambienti di sviluppo e tool 

• Sviluppi custom con: Excel, R, Python, o Java?
• Lo stack Hadoop – NoSQL – Apache Spark
• I framework commerciali di Machine Learning
• ML predittivo in tempo reale con Apache KafKa e Spark Streaming
• Standard internazionali

Istruzioni per partire 

• Punto chiave: come cominciare ad applicare ML in azienda e massimizzare le probabilità di riuscita
• Tempi di creazione di un modello
• Tempi e costi per partire

Integrare i (primi) modelli di Maching Learning in azienda

• Integrazione dei modelli costruiti dal Data Scientist con quelli costruiti dai tool
• Integrazione del ML nella filiera produttiva esistente (ICT)
• Integrazione del ML nel modo di lavorare
• Integrazione di modelli ML tra gruppi di lavoro e tool diversi
• Integrazione delle query, della data visualization e dei modelli predittivi