Reti Neurali

Descrizione

Le reti neurali, pur esistendo da tempo, hanno guadagnato popolarità negli ultimi anni grazie al maggior potere computazionale dei moderni sistemi IT e alla disponibilità di grandi dataset digitali di training: esse sono la base del Deep Learning. Le reti neurali sono metodi di Machine Learning molto utili per le aziende: grazie al loro utilizzo è possibile prevedere i vari fenomeni aziendali con alta precisione, scoprendo relazioni tra i dati anche molto complesse, spesso non rilevabili con tecniche di Machine Learning più tradizionali.
Sebbene il termine Rete Neurale suoni un po’ misterioso, gli algoritmi Neural Network oggi non sono di difficile utilizzo (in R o in Python) e forniscono a un’azienda uno straordinario insieme di strumenti avanzati per meglio comprendere e prevedere i propri fenomeni di business.

Il corso di Reti Neurali utilizzerà semplici esempi illustrativi, su piccoli dataset, per spiegare i passi principali e le operazioni richieste all’utente per impostare una rete neurale, per mostrare come i calcoli sono svolti dalla rete stessa e per integrare tutti gli aspetti del fitting ai dati realizzato dalla rete. Nel secondo giorno il corso affronterà diversi case study aziendali, più complessi e realistici.
A parte una breve sezione iniziale teorica, il resto del corso è completamente hands-on sul codice e predilige un tagli pratico o learning by doing.

Obiettivi

L’obiettivo principale del corso è fornire ai partecipanti le competenze teoriche e tecniche per impostare una rete neurale. È consigliabile per i partecipanti avere competenze in R o in Python.

Conoscenze in uscita

Alla fine del corso, i partecipanti saranno in grado di:

• Valutare il numero di livelli e nodi per livello
• Specificare il tasso di apprendimento di una rete neurale
• Evitare l’overfitting

Programma didattico

• Introduzione
  • Le componenti di una rete neurale artificiale: nodi e livelli (di input, di output e nascosti)
  • Il modello biologico umano simulato da una rete neurale
• Le reti neurali più semplici
  • Percettrone
  • Adaline
  • Reti neurali MLP per classificare e prevedere i fenomeni aziendali
• Il multilayer feedforward
• Specificare il numero di livelli e di nodi per livello di una rete neurale: esempi e linee-guida pratiche
• Il tasso di apprendimento (learning rate) della rete: regole del pollice pratiche
• Evitare il rischio principale di una rete neurale (l’overfitting): tecniche a confronto
• Il fine-tuning di una rete neurale: racconti dalla trincea delle aziende leader
• Misurare l’efficacia predittiva di una rete neurale: le metriche più diffuse nella pratica aziendale
• Quando e perché una rete neurale è meglio della regressione lineare o logistica
• Reti neurali profonde, reti convolutive, reti auto-encoder e reti ricorrenti (deep learning)
• Vantaggi e limiti delle reti neurali
• Analisi di sensitività
• Approfondire il tema delle reti neurali e l’implementazione in azienda di reti sempre più efficaci