---

Di seguito tutte le risorse dedicate a chi sta vuole iniziare il processo di apprendimento nella data science e machine learning

Tutto inizia con il mindset giusto: superare i limiti autoimposti e comprendere che puoi imparare quello che vuoi

• Quali sfide ostacolano il tuo successo nel machine learning?
• Come approcciare i problemi di machine learning

Imparare Python: il linguaggio di programmazione più usato nell'industria

• Impostare un ambiente di sviluppo in Python
• Le migliori risorse per imparare Python online

Comprendere il processo: come contestualizzare il tuo problema legato ai dati

• Introduzione al campionamento statistico e al ricampionamento

Imparare le basi della data science ti permetterà di analizzare dataset, creare visualizzazioni e generare valore per il tuo datore di lavoro.

Framing dei problemi: strumenti e tecniche per aiutarti nelle fasi iniziali del tuo progetto

• Come prendere appunti nella Data Science
• Algoritmi e strutture dati per la data science in Python - Parte 1

Dataset e reperimento dati: comprendere come costruire o reperire dataset per il proprio progetto

• Costruire il proprio dataset: vantaggi, approccio e strumenti

Analisi dei Dati: analizzare i dati per scoprire relazioni e generare valore

• Guida alla gestione delle variabili categoriali
• Guida alla gestione dei dati mancanti nella data science
• Analisi esplorativa dei dati con Python e Pandas
• Come identificare anomalie nei dati (outliers)

Visualizzazione dei dati: mettere su schermo i risultati dell'analisi dei dati

• Tecniche di data visualization: dal grafico allo storytelling
• Come usare LLM per la data visualization

Il machine learning tocca tanti argomenti, e non tratta solo degli algoritmi di cui tanto sentiamo parlare.

Oltre a dover sapere come funzionano gli algoritmi alla base dei modelli predittivi, dobbiamo capire come applicarli correttamente sui nostri dati.

Ecco come iniziare nel machine learning

Concetti fondamentali nel machine learning: la base per muoverci in territori più complessi

• Cos'è il Machine Learning: come spiego il concetto ad un neofita
• Il compromesso Bias-Varianza nel Machine Learning
• Algoritmi di Machine Learning: Guida introduttiva per comprendere i principi e le applicazioni
• Il più grande ostacolo nel machine learning: l’overfitting
• Data Leakage: cosa è e perché fa fallire i nostri sistemi predittivi
• Regolarizzazione L1 vs L2 nel Machine Learning: differenze, vantaggi e come applicarle in Python
• Rappresentazioni vettoriali per il Machine Learning
• Perché avere un grosso numero di feature può peggiorare il tuo modello
• Data science, data engineering, data analytics...ma c'è davvero differenza?
• Introduzione alle reti neurali - pesi, bias e attivazione
• Backpropagation: come apprendono le reti neurali
• Guida alle architetture delle reti neurali convolutive più famose

Come strutturare progetti, obiettivi e metriche: guide all'organizzazione pratica dei nostri progetti e processi

• Come strutturare un progetto di machine learning
• Perché il tuo progetto di machine learning potrebbe fallire
• Valutazione delle performance di un modello di regressione
• Valutazione delle performance di un modello di classificazione binaria

Processi e schemi iterativi: scopri i processi più utili allo sviluppo di sistemi predittivi

• Come preparare i dati per il machine learning
• 6 linee guida per addestrare correttamente il tuo modello
• Cosa è la grid search e come applicarla in Python con Sklearn
• Come ripartire i dati per la cross-validazione K-fold
• Cosa è la cross-validazione nel machine learning
• Selezione delle feature con Boruta
• Personalizzare le Pipeline di Sklearn con BaseEstimator e TransformerMixin
• Come usare le Pipeline di Sklearn per ottimizzare la tua analisi
• Selezione del modello con Sklearn
• Tuning degli iperparametri con Optuna in Python
• Tecniche di feature engineering per variabili numeriche in Python

Algoritmi di machine learning: deep dive in alcuni degli algoritmi più rilevanti dell'industria

• Introduzione alla PCA in Python con Sklearn, Pandas e Matplotlib
• Introduzione al clustering non supervisionato con K-Means

Siamo oltre le basi fondamentali della data science e del machine learning - usando questi link imparerai ad andare oltre la teoria e a mettere in pratica i concetti imparati per generare valore

NLP (Natural Language Processing): articoli relativi all'elaborazione del linguaggio naturale

• Addestrare un modello Word2Vec da zero con Gensim
• Come calcolare la similarità tra testi di un sito web con TF-IDF in Python
• Tagging di contenuti con la logica fuzzy in Python
• Convertire testi in tensori per il Deep Learning
• Modello Bag of Words: cosa è e come funziona
• Come funziona un modello di autocorrezione?
• Estrazione keyword - un benchmark di 7 algoritmi in Python
• Raggruppamento (clustering) di testi con TF-IDF

Programmazione orientata agli oggetti (OOP) nel machine learning: crea flussi e processi da zero con le classi di Python

• Migliorare i propri modelli di dati con Pydantic
• Benchmark di modelli di machine learning con cross-validazione e visualizzazione in Python

PyTorch è il framework di deep learning di riferimento dell'industria. Qui di seguito i link di progetti e tecniche che lo utilizzano

Introduzione a PyTorch: processi e concetti nella scrittura di modelli

• Introduzione a PyTorch: dal training loop alla predizione

Tensorflow è un framework di deep learning di Google che offre funzionalità accessibili per chi inizia nel DL

Introduzione a Tensorflow: processi e concetti nella scrittura di modelli

• Introduzione a Tensorflow 2.0 - API e modello sequenziale di deep learning
• Early Stopping in TensorFlow - impedire l'overfitting di una rete neurale
• Come tokenizzare e fare padding di sequenze in Tensorflow

Progetti reali che possono essere replicati e applicati a diverse esigenze nel mondo digitale e non. Qui sfrutterai tutte le conoscenze apprese nelle sezioni precedenti per costruire applicativi usabili anche da altre persone.

Creazione dataset: scraping e recupero informazioni da API

• Come scraperare un blog e raccogliere i suoi articoli in Python

Classificazione e Regressione: previsione di classi discrete o valori numerici continui

• Classificazione di Melanoma in TensorFlow: Distinguere tra Maligno e Benigno con Intelligenza Artificiale
• Classificazione binaria di immagini con Tensorflow
• Deep Learning e MNIST: Come utilizzare una rete neurale convolutiva per il riconoscimento di immagini

API e Deployment: servire sistemi predittivi via l'internet

• Servire modelli di machine learning con FastAPI

LLM: progetti basati su large language models

• Cosa è ChatGPT - Approfondimento Tecnico e Consigli all'Utilizzo
• Prompt Engineering: una guida all'interrogazione efficace degli LLM
• La vulnerabilità lavorativa nell'era dell'IA
• Prompt Injection: una sfida irrisolta negli LLM
• Creare un Chatbot in Python con LangChain e RAG
• Oltre la RAG: GPT-4 e database vettoriali per la creazione di mappe mentali
• Come usare LLM in locale con ollama e Python
• Estrarre qualsiasi entità da testo con GLiNER
• Guidare la risposta di un LLM per output strutturato

Kaggle: walkthrough di progetti provenienti da competizioni

• Competizione Kaggle: Valutare il livello di competenza linguistica col machine learning

Serie temporali: prevedere valori in base al tempo

• Clustering di serie temporali per la previsione del mercato azionario in Python - Parte 1
• Previsione delle serie temporali con LSTM in Tensorflow

Sono a disposizione per aiutarti a diventare più abile nella data science e machine learning.

Puoi contattarmi attraverso i seguenti link

• Via form di contatto su questo blog
• Via LinkedIn
• Via X.com

Segui il blog sui social

Se ti piace il contenuto proposto in questo blog, assicurati di seguire i canali social