Docenti: 5 gg lezione;  2 lezioni EL; 1 verifica - le date verranno comunicate quanto prima

• Agostino Di Ciaccio: in presenza
• docenti SAS: online

Nel modulo verranno illustrati gli elementi di base di Predictive analytics, dove si vedranno alcune tecniche statistiche di previsione utilizzate nel predictive modeling, nel machine learning e nel data mining.

Si partirà dal Data Mining per le decisioni aziendali, descrivendo i metodi di apprendimento supervisionato e non, i metodi di selezione del modello e quelli per valutare le capacità di previsione.

Successivamente, verranno descritti gli elementi di base del machine learning  e le tecniche più importanti utilizzando le librerie dedicate presenti su Python (decision trees, random forest, gradient boosting, neural networks)

I partecipanti impareranno a creare diagrammi di flusso utilizzando l’insieme di tool di SAS Viya sia per il pattern discovery (segmentazione, associazione e analisi di sequenza) sia per la costruzione di modelli predittivi (decision trees e neural networks).

Programma:

• Metodi di apprendimento supervisionato
• Metodi di apprendimento non supervisionato
• Tecniche di selezione e valutazione del modello
• Machine learning con Python
• Introduzione a SAS Visual Statistics in Viya
• SAS Visual Data Mining & Machine Learning in Viya
• SAS model Studio: introduzione e preparazione all'esame
• Integrazione tra SAS e open source su Advanced Analytics

Docenti: 6 gg lezione - le date verranno comunicate quanto prima

• docenti SAS:  - in presenza
• Valeria Cardellini, Gabriele Russo Russo: - in presenza

Verrà presentata la soluzione Visual Analytics di SAS Viya per l’analisi esplorativa e visuale dei dati con esempi concreti di utilizzo degli strumenti di analisi visuali applicate ai dati Sales&Marketing. In seguito saranno introdotti i concetti relativi ad ambienti tipici del mondo dei Big Data e in particolare ad Hadoop e all’analisi di Big Data in real time.

Programma:

• SAS Visual Analytics con Viya
• Big Data, Hadoop & introduzione a Spark
• Introduzione al data stream processing
• Esempi aziendali

Docente: 5 gg lezione - le date verranno comunicate quanto prima

Andrea Mercuri

Nel modulo verranno illustrati i modelli di reti neuronali utilizzati nell'ambito della classificazione e previsione.

Programma:

• Introduzione al Deep Learning
• Computer Vision
• Deep Learning e computer vision
• From Convolutional Layers to Pooling layers
• Kernal and featuremap
• Lenet Model
• RestNet Model
• Use case
• RNN
• Recurrent Neural network
• GRU
• LSTM
• Use case
• Concetti fondamentali di Reinforcement learning
• Esempi di applicazioni
• Processi di decisione di Markov ed equazioni di Bellman
• Risoluzione di MDP mediante dynamic programming
• Metodo SARSA.
• Q-learning