Tree-Based ML: Random Forest, Gradient Boosting
Studio approfondito dei modelli basati sugli Alberi Decisionali
Tree-Based ML: Random Forest, Gradient Boosting
Il Random Forest è un algoritmo di apprendimento automatico che combina l’output di più alberi decisionali per raggiungere un unico risultato. Gli alberi decisionali iniziano con una domanda di base a cui vanno aggiunte ulteriori domande che aiutano a determinare la risposta alla domanda di base.
Il Gradient Boosting è una tecnica di apprendimento automatico utilizzata nelle attività di regressione e classificazione.
Fornisce un modello di previsione sotto forma di un insieme di modelli di previsione deboli, che sono tipicamente alberi decisionali. Quando un albero decisionale è debole, l’algoritmo risultante è chiamato alberi a gradiente;
Il Random Forest è un algoritmo di apprendimento automatico che combina l’output di più alberi decisionali per raggiungere un unico risultato. Gli alberi decisionali iniziano con una domanda di base a cui vanno aggiunte ulteriori domande che aiutano a determinare la risposta alla domanda di base.
Il Gradient Boosting è una tecnica di apprendimento automatico utilizzata nelle attività di regressione e classificazione.
Fornisce un modello di previsione sotto forma di un insieme di modelli di previsione deboli, che sono tipicamente alberi decisionali. Quando un albero decisionale è debole, l’algoritmo risultante è chiamato alberi a gradiente;
Cosa Imparerai nel corso?
Nella vasta gamma di modelli di Machine Learning, tra i più noti ricordiamo le Reti Neurali, modelli basati sui Kernel (SVM, Kernel Regression, etc) e modelli basati su Alberi Decisionali.
In questo corso parleremo approfonditamente dei modelli basati sugli Alberi Decisionali.
La prima parte del corso si focalizzerà sul modello matematico di base: analizzeremo l’idea degli Alberi Decisionali sia in contesti di regressione sia in classificazione.
Verrà mostrato il funzionamento dal punto di vista algoritmico, mostrando le formule matematiche per permettono di ottenere una buona previsione.
Nella seconda parte tratteremo tipologie di modelli più complessi, partendo dal Bagging (Boostrap AGGRegating): questo metodo costituisce la base dei modelli Random Forest, esaminati nel seguito.
Infine ci concentreremo sui modelli di Gradient Boosting che utilizzano come base learner i Decision Tree.
Nella vasta gamma di modelli di Machine Learning, tra i più noti ricordiamo le Reti Neurali, modelli basati sui Kernel (SVM, Kernel Regression, etc) e modelli basati su Alberi Decisionali.
In questo corso parleremo approfonditamente dei modelli basati sugli Alberi Decisionali.
La prima parte del corso si focalizzerà sul modello matematico di base: analizzeremo l’idea degli Alberi Decisionali sia in contesti di regressione sia in classificazione.
Verrà mostrato il funzionamento dal punto di vista algoritmico, mostrando le formule matematiche per permettono di ottenere una buona previsione.
Nella seconda parte tratteremo tipologie di modelli più complessi, partendo dal Bagging (Boostrap AGGRegating): questo metodo costituisce la base dei modelli Random Forest, esaminati nel seguito.
Infine ci concentreremo sui modelli di Gradient Boosting che utilizzano come base learner i Decision Tree.
Struttura delle lezioni
Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides, che spiegano nel dettaglio il funzionamento matematico, e illustrazioni (create tramite codice Python e R) per mostrare il funzionamento delle formule illustrate e come questi modelli siano in grado di approssimare potenzialmente ogni superficie sul piano geometrico (teorema di approssimazione universale, valido anche per le Reti Neurali).
Ogni argomento verrà anche illustrato tramite Notebook scritti in linguaggio Python, mostrando in maniera semplice e concisa come allenare tutti i modelli trattati e spiegando quali siano le “best practices”.
Vengono proposti esercizi mirati per testare ciò che si è appreso.
Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides, che spiegano nel dettaglio il funzionamento matematico, e illustrazioni (create tramite codice Python e R) per mostrare il funzionamento delle formule illustrate e come questi modelli siano in grado di approssimare potenzialmente ogni superficie sul piano geometrico (teorema di approssimazione universale, valido anche per le Reti Neurali).
Ogni argomento verrà anche illustrato tramite Notebook scritti in linguaggio Python, mostrando in maniera semplice e concisa come allenare tutti i modelli trattati e spiegando quali siano le “best practices”.
Vengono proposti esercizi mirati per testare ciò che si è appreso.
Chi può seguire il corso?
Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.
Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.
Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.
Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.
Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.
Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.
Quali sono i vantaggi di seguire un corso Deep Learning Italia?
- Introduzione al Decision Tree (7:31)
- Regression Classification (7:05)
- Splitting Criteria 1 (14:29)
- Splitting Criteria 2 (3:08)
- Splitting Criteria 3 (3:33)
- Split Variables 1 (8:51)
- Split Variables 2 (4:09)
- Encoding Categories (8:46)
- Bias Variance Trade-off (13:27)
- Avoid Overfitting (9:22)
- Notebook Decision Tree (24:15)
- Bagging (14:32)
- Random Forest (16:36)
- Notebook Random Forest (16:36)
- Boosting in General (9:46)
- Losses 1 (14:26)
- Losses 2 (10:47)
- Base Learners 1 (12:52)
- Base Learners 2 (6:54)
- Notebook Gradient Boosting (31:57)
- Conclusions (7:33)
- Final Project (8:36)
Quali sono i vantaggi di seguire un corso Deep Learning Italia?
- Introduzione al Decision Tree (7:31)
- Regression Classification (7:05)
- Splitting Criteria 1 (14:29)
- Splitting Criteria 2 (3:08)
- Splitting Criteria 3 (3:33)
- Split Variables 1 (8:51)
- Split Variables 2 (4:09)
- Encoding Categories (8:46)
- Bias Variance Trade-off (13:27)
- Avoid Overfitting (9:22)
- Notebook Decision Tree (24:15)
- Bagging (14:32)
- Random Forest (16:36)
- Notebook Random Forest (16:36)
- Boosting in General (9:46)
- Losses 1 (14:26)
- Losses 2 (10:47)
- Base Learners 1 (12:52)
- Base Learners 2 (6:54)
- Notebook Gradient Boosting (31:57)
- Conclusions (7:33)
- Final Project (8:36)
Giorgio Visani, laureato in Scienze Statistiche all’Università di Bologna ed è stato ricercatore presso lo stesso ateneo, è esperto di Machine Learning e tecniche di spiegazione. Ha lavorato come Data Scientist presso Crif SpA, dove si occupa di sviluppo di tecniche di Artificial Intelligence e delle relative tecniche di spiegazione, legate all’ambito bancario. È attualmente Dottorando presso l’Università di Bologna, dipartimento di Ingegneria Informatica, dove si occupa principalmente dei seguenti ambiti: metodi di spiegazione per tecniche di Artificial Intelligence, studio della Causalità nelle basi di dati e metodi per imporre le strutture causali nei modelli di Machine Learning.
-
Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
-
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.
-
Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
-
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.
- Accesso al corso life long
- Accesso al corso life long
