Classe virtuale - l'invito alla piattaforma sarà inviato entro il 13 Dicembre.

Al termine del corso verrà rilasciato attestato di Partecipazione

Prerequisiti

- Un PC moderno

- Una connessione internet stabile

- Un account Google personale (non universitario o aziendale)

Non sono richieste competenze pregresse di programmazione.

Obiettivi formativi

Obiettivi

• Capire cos'è l'apprendimento automatico
• Potenziale di presa e limiti della Macchina 
• Metodi di apprendimento
• Fornire introduzioni rapide e suggerimenti per diversi modelli di Machine Learning comuni

Metodo

Il corso si articolerà in:

- Spiegazioni teoriche

- Esempi pratici

- Esercitazioni con dataset pubblici

- Quiz interattivi

Tutto il materiale necessario sarà fornito durante il corso e rimarrà a disposizione degli studenti.

Programma

Il corso si articola su 5 giorni con orario 9.30 - 16.30

Day 1

• Why do we need ML?
• Introduction to Statistical Learning
• Taxonomy of ML problems

Day 2

• Regression: problem definition, models, case studies
• Classification: problem definition, models, case studies

Day 3

• Curse of dimensionality: the problem and some solutions
• A quick introduction to Deep Learning

Day 4

• Python: the language of Machine Learning

Day 5

• Case study: machine learning for omics data

Docenti organizzatori del corso

Davide Gentilini è laureato in Biologia, si è specializzato in genetica medica presso l'università degli studi di Milano ed ha poi proseguito la sua formazione presso l'università degli studi di Pavia con un Master di II livello in epidemiologia genetica e molecolare e un dottorato in Scienze Statistiche e Sanitarie. Attualmente è Profgessore Associato in statistica medica presso il dipartimento di scienze del sistema nervoso e del comportamento dell’università di Pavia e responsabile dell’unità di bioinformatica e statistica genomica presso l'Istituto Auxologico Italiano. 

Dott. Emanuele Fabbiani, PhD candidate in Applied Machine Learning all’Università di Pavia, chief data scientist e co-founder di xtream.

Nei suoi quattro anni di esperienza come data scientist, ha guidato la realizzazione di modelli predittivi per alcuni dei maggiori gruppi industriali e bancari italiani. In ambito accademico, i suoi interessi comprendono l'applicazione dell'apprendimento statistico a problemi di interesse industriale, dal forecasting della domanda di gas naturale all'identificazione delle reti elettriche. I suoi lavori sono stati pubblicati in riviste peer-reviewed e presentati a conferenze internazionali.

ISCRIZIONE

Dopo la registrazione al corso gli interessati verranno contattati dalla segreteria amministrativa che provvederà a illustrare le modalità di pagamento. L'iscrizione vera e propria verrà finalizzata con il versamento della quota di iscrizione