Caricamento...
OEC022

Machine learning descrittivo

Prezzo

€ 690.00
(Iva esclusa)

Scheda tecnica

Scarica

Giorni

1 gg

I modelli di Machine Learning descrittivi (non supervisionati) sono caratterizzati dal non avere una variabile da prevedere (la «risposta» del modello), come invece avviene in tutti i modelli di ML predittivo. Essi si limitano a cercare informazioni nel dataset. Ad esempio: c’è un modo chiaro per visualizzare i dati? ci sono dei sottogruppi tra le variabili o tra le osservazioni del dataset? Il Machine Learning descrittivo è costituito da un insieme di tecniche ed algoritmi molto diversificato, per rispondere a domande come le precedenti.

Per certi versi, il ML descrittivo è più sfidante di quello predittivo perché, non essendoci risposta, non è possibile verificare in modo oggettivo le prestazioni del modello. A differenza del ML predittivo, ogni valutazione dell’accuratezza dei modelli di ML descrittivo è pertanto soggettiva. Il ML descrittivo è spesso un passo importante dell’Analisi esplorativa dei dati.

Nonostante questi limiti, il ML descrittivo è di crescente importanza per le aziende, con molti casi d’uso interessanti. I modelli descrittivi e predittivi, inoltre, possono agire sinergicamente.


Il corso introduttivo sulla Data Science

• Esempi noti di ML descrittivo: Google News e Google Trend Analysis.
• Clustering e dendogrammi.
• Algoritmo k-means.
• Clustering gerarchico.
• Segmentazione/clustering dei clienti.
• Problemi pratici nel clustering.
• Misure di somiglianza e differenza.
• Associazioni.
• Regole di associazione.
• Motori di raccomandazione.
• Profiling, Link Prediction, Similarity Matching e Causal Modeling? (cenni)
• K-means nel Text Mining.
• Time-series Analysis (cenni).
• La multicollinearità.
• Riduzione variabili / PCA.
• Valutazione del modello.
• Market Basket Analysis: quali prodotti vendono bene insieme.
• Scoring dei clienti in base ai loro acquisti.
• Sinergia di modelli ML descrittivi e predittivi


Sede Data P