Catalogo Machine Learning
Dal principiante all'esperto — acquista singolarmente o in pacchetto, con attestato di superamento.
I lavori di Machine Learning consistono nel trasformare un bisogno di lavoro e dei dati in modelli previsionali affidabili, valutati, ottimizzati, distribuiti e monitorati. Questo percorso sviluppa le competenze utilizzate in particolare da Data Scientists e Machine Learning Engineers, approfondendo i modelli, la loro valutazione, l'ottimizzazione e il loro ciclo di vita tecnico, dall'esperimento alla messa in produzione. Queste competenze di Machine Learning vengono poi approfondite e inserite in un approccio aziendale più ampio all'interno del percorso Data Scientist, che copre anche il framing, l'esperimento, la causalità, i dati complessi e la gestione di un prodotto Data Science.
Ogni corso comprende 8 lezioni interattive in un Learning Workspace progettato per trasformare le conoscenze in competenze operative. Lezioni guidate, quiz dinamici, accompagnamento conversazionale, casi pratici, risorse complementari e monitoraggio del progresso consentono di imparare in modo efficace e al proprio ritmo. I 15 corsi seguono una progressione per livelli, dalla definizione di un problema di Machine Learning alla distribuzione, supervisione e difesa di una soluzione predittiva completa.
🎓 15 corsi • 📚 120 lezioni interattive • ⏱️ 45 a 75 ore di formazione conversazionale
⭐ Migliore offerta
Apprendimento automatico — Pacchetto completo (15 percorsi)
ML01 → ML15 · 1 800 Crediti inclusi
142,90 € IVA esclusa
Risparmio : 104,60 €
29,70 €
22,90 IVA esclusa
Risparmio : 6,80 €
Comprendere l'apprendimento automatico e inquadrare un problema
Trasformare un’esigenza aziendale in un problema misurabile di Machine Learning e stabilire se il ML è realmente pertinente
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Nessun prerequisito specifico per iniziare. È consigliata una buona familiarità con gli strumenti digitali; i successivi corsi tecnici possono richiedere nozioni di sviluppo o dati.
- Comprendere cosa porta davvero il Machine Learning
- Identificare classificazione, regressione e altre famiglie di problemi
- Costruire una base prima di qualsiasi modello complesso
- Laboratorio: decidere se un problema richiede davvero il Machine Learning
- Trasformare un’esigenza aziendale in un problema misurabile di Machine Learning e stabilire se il ML è realmente pertinente
- Distinguere tra apprendimento supervisionato e non supervisionato
- Distinguere tra addestramento, convalida e inferenza
- Laboratorio: decidere se un problema richiede davvero il Machine Learning
3 a cosa 5 h
9,90 € IVA esclusa
Preparare ed esplorare i dati per il Machine Learning
costruire un dataset utilizzabile senza introdurre bias, data leakage o incoerenze
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Esplorare le distribuzioni, i tipi e la qualità dei dati
- Preparare variabili numeriche e categoriche
- Identificare gli squilibri e l'insufficiente rappresentatività
- Laboratorio: audit e preparazione di un dataset prima della modellazione
- costruire un dataset utilizzabile senza introdurre bias, data leakage o incoerenze
- Gestire valori mancanti e valori anomali
- Scalare le variabili quando richiesto dal modello
- Laboratorio: audit e preparazione di un dataset prima della modellazione
3 a cosa 5 h
9,90 € IVA esclusa
Costruire una prima pipeline ML riproducibile
integrare pretrattamento, addestramento, previsione e valutazione in un flusso di lavoro riproducibile
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Installazione di un ambiente ML riproducibile
- Creare le trasformazioni di pretrattamento
- Calcolare e verificare le prime metriche
- Laboratorio: consegna di una prima pipeline ML riproducibile
- Congiungere pretrattamento, addestramento, previsione e valutazione in un flusso di lavoro riproducibile
- Costruire un baseline con scikit-learn
- Inserire il pipeline e generare previsioni
- Laboratorio: consegna di una prima pipeline ML riproducibile
3 a cosa 5 h
9,90 € IVA esclusa
38,70 €
28,90 IVA esclusa
Risparmio : 9,80 €
Risolvere i problemi di regressione
progettare, confrontare e valutare modelli per prevedere un valore numerico
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere un obiettivo continuo e costruire un baseline
- Comprendere la regolamentazione e il suo interesse
- Interpretare R² senza sopravvalutarlo
- Laboratorio: confrontare diversi modelli di regressione su una necessità professionale
- Progettare, confrontare e valutare modelli per prevedere un valore numerico
- Costruire una regressione lineare
- Scegliere tra MAE, MSE e RMSE
- Laboratorio: confrontare diversi modelli di regressione su una necessità professionale
3 a cosa 5 h
12,90 € IVA esclusa
Risolvere i problemi di classificazione
costruire modelli di classificazione e scegliere metriche e soglie adeguate al costo reale degli errori
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere le classi e costruire un baseline
- Utilizzare alberi decisionali e Random Forest
- Comparare precisione, richiamo e F1
- Laboratorio: scegliere un classificatore in base al costo degli errori
- Costruire modelli di classificazione e scegliere metriche e soglie adeguate al costo reale degli errori
- Costruire una regressione logistica
- Leggere una matrice di confusione
- Laboratorio: scegliere un classificatore in base al costo degli errori
3 a cosa 5 h
12,90 € IVA esclusa
Valutare correttamente e confrontare i modelli
ottenere una stima affidabile delle prestazioni e evitare conclusioni fuorvianti nella selezione di un modello
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere il rischio di una valutazione troppo ottimista
- Valutare con cross-validazione
- Comparare modelli su metriche coerenti
- Laboratorio: costruire un protocollo di valutazione difendabile
- Ottenere una stima affidabile delle prestazioni e evitare conclusioni fuorvianti nella selezione di un modello
- Utilizzare correttamente un hold-out
- Rispettare l'ordine temporale con un time split
- Laboratorio: costruire un protocollo di valutazione difendabile
3 a cosa 5 h
12,90 € IVA esclusa
47,70 €
35,90 IVA esclusa
Risparmio : 11,80 €
Progettare e selezionare le caratteristiche
creare variabili informative senza data leakage e ridurre la complessità quando questo migliora il modello
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere il ruolo dell'ingegneria delle caratteristiche
- Creare variabili temporali senza perdita di informazioni
- Utilizzare metodi di selezione delle caratteristiche
- Laboratorio: migliorare un modello con caratteristiche giustificate
- creare variabili informative senza data leakage e ridurre la complessità quando questo migliora il modello
- Creare variabili numeriche e trasformazioni utili
- Rilevare ridondanza e multicollinearità
- Laboratorio: migliorare un modello con caratteristiche giustificate
3 a cosa 5 h
15,90 € IVA esclusa
Ottimizzare modelli e iperparametri
ridurre l'underfitting e l'overfitting e cercare iperparametri senza contaminare la valutazione finale
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere l'underfitting, l'overfitting, il bias e la varianza
- Costruire un Grid Search con validazione incrociata
- Controllare il tempo di calcolo e lo spazio di ricerca
- Laboratorio: condurre e documentare un'ottimizzazione degli iperparametri
- Ridurre l'underfitting e l'overfitting e cercare i iperparametri senza contaminare la valutazione finale
- Identificare parametri appresi e iperparametri
- Scegliere la metrica veramente ottimizzata
- Laboratorio: condurre e documentare un'ottimizzazione degli iperparametri
3 a cosa 5 h
15,90 € IVA esclusa
Esplorare i dati senza etichette
utilizzare clustering, riduzione della dimensionalità e rilevamento delle anomalie per comprendere strutture senza una variabile obiettivo supervisionata
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere gli obiettivi dell'apprendimento senza supervisione
- Segmentare con K-means
- Riduzione della dimensione con PCA
- Laboratorio: costruire e interpretare una segmentazione esplorativa
- utilizzare clustering, riduzione della dimensionalità e rilevamento delle anomalie per comprendere strutture senza una variabile obiettivo supervisionata
- Preparare i dati per il clustering
- Scopri DBSCAN e i cluster di forma irregolare
- Laboratorio: costruire e interpretare una segmentazione esplorativa
3 a cosa 5 h
15,90 € IVA esclusa
56,70 €
42,90 IVA esclusa
Risparmio : 13,80 €
Interpretare, spiegare e sfidare i modelli
comprendere i fattori che influenzano le previsioni e individuare situazioni in cui una spiegazione potrebbe essere fuorviante
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Distinguere tra prestazione predittiva e spiegabilità
- Analizzare con cautela le caratteristiche di importanza
- Scoprire le spiegazioni locali di tipo SHAP
- Laboratorio: produrre un'analisi dell'esplicabilità con i suoi limiti
- Comprendere i fattori che influenzano le previsioni e identificare le situazioni in cui una spiegazione potrebbe essere fuorviante
- Interpretare coefficienti e parametri semplici
- Comprendere le parti di dipendenza
- Laboratorio: produrre un'analisi dell'esplicabilità con i suoi limiti
3 a cosa 5 h
18,90 € IVA esclusa
Gestire gli squilibri, i pregiudizi, la robustezza e l'affidabilità
valutare la qualità di un modello al di là di una metrica media e controllare i suoi rischi su popolazioni e casi difficili
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Identificare le conseguenze di un forte squilibrio di classe
- Scegliere metriche e soglie per casi rari
- Testare la robustezza e la sensibilità ai dati disturbati
- Laboratorio: sfidare la credibilità di un modello prima di prendere una decisione
- Valutare la qualità di un modello al di là di una metrica media e controllare i suoi rischi su popolazioni e casi difficili
- Utilizzare il metodo di ponderazione e riassimilazione
- Comparare le prestazioni tra sottogruppi
- Laboratorio: sfidare la credibilità di un modello prima di prendere una decisione
3 a cosa 5 h
18,90 € IVA esclusa
Tracciare gli esperimenti e gestire le versioni dei modelli
rendere le esperienze comparabili, verificabili e riproducibili e gestire il ciclo di vita dei modelli
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere esperimento, run e artefatto ML
- Tracciare modelli, grafici e artefatti
- Gestire versioni, alias, tag e metadati
- Laboratorio: costruire la tracciabilità completa di un modello candidato
- Rendere le esperienze comparabili, verificabili e riproducibili e gestire il ciclo di vita dei modelli
- Registrare parametri e metriche con MLflow Tracking
- Registrare un modello nel Model Registry
- Laboratorio: costruire la tracciabilità completa di un modello candidato
3 a cosa 5 h
18,90 € IVA esclusa
74,70 €
48,90 IVA esclusa
Risparmio : 25,80 €
Comprendere e mettere in pratica il Deep Learning
comprendere i meccanismi essenziali delle reti neurali e addestrare un modello semplice, senza estendere il percorso al Deep Learning avanzato
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Comprendere tensi, strati e reti neuronali
- Comprendere la funzione di perdita e l'ottimizzazione
- Costruire e gestire una rete semplice con PyTorch
- Laboratorio: confrontare una rete semplice con una base convenzionale
- comprendere i meccanismi essenziali delle reti neurali e addestrare un modello semplice, senza estendere il percorso al Deep Learning avanzato
- Scegliere funzioni di attivazione e architettura semplice
- Utilizzare batch, epoch e DataLoader
- Laboratorio: confrontare una rete semplice con una base convenzionale
3 a cosa 5 h
24,90 € IVA esclusa
Implementazione, monitoraggio e manutenzione di un modello ML
passare da un modello validato a un servizio utilizzabile, versionato, osservabile e manutenibile in produzione
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Preparare un artefatto affidabile per l'inferenza
- Esposere un modello tramite un'API di inferenza
- Monitorare la latenza, gli errori e la qualità dei dati di input
- Laboratorio: distribuzione e supervisione di un servizio di previsione
- passare da un modello validato a un servizio utilizzabile, versionato, osservabile e manutenibile in produzione
- Distinguere fra batch prediction e online inference
- Gestire il registro, le versioni, la promozione e il rollback
- Laboratorio: distribuzione e supervisione di un servizio di previsione
3 a cosa 5 h
24,90 € IVA esclusa
Progetto professionale completo Machine Learning
progettare, valutare, spiegare, versionare, distribuire e difendere una soluzione ML end-to-end
Informazioni sulla formazione
Data Analyst, Data Scientist, Machine Learning Engineer e sviluppatori che desiderano costruire soluzioni di Machine Learning affidabili e riproducibili.
Conoscere le basi del percorso o aver seguito i corsi precedenti. In questo corso vengono ripresi e approfonditi i concetti già introdotti.
- Quadro del problema del churn e del costo degli errori
- Costruire pipeline, caratteristiche e modelli candidati
- Tracciare gli esperimenti e versionare il modello finale
- Laboratorio finale: presentazione e difesa della soluzione ML e dei suoi limiti
- progettare, valutare, spiegare, versionare, distribuire e difendere una soluzione ML end-to-end
- Preparare i dati e costruire il baseline
- Analisi di segmenti, errori e spiegabilità
- Laboratorio finale: presentazione e difesa della soluzione ML e dei suoi limiti
3 a cosa 5 h
24,90 € IVA esclusa