Considerazioni finali

Progettare workflow di Machine Learning in Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Considerazioni finali

  • Ripasso delle pipeline di apprendimento supervisionato:
    • feature engineering
    • training del modello
    • selezione del modello
  • Rischi di overfitting
  • Data fusion
  • Etichette rumorose ed euristiche
  • Funzioni di loss
    • costi dei falsi positivi vs costi dei falsi negativi
Progettare workflow di Machine Learning in Python

Considerazioni finali

  • Apprendimento non supervisionato:
    • rilevamento anomalie
    • rilevamento novità
    • metriche di distanza
    • dati non strutturati
  • Casi d’uso reali:
    • cybersecurity
    • sanità
    • retail banking
Progettare workflow di Machine Learning in Python

Congratulazioni!

Progettare workflow di Machine Learning in Python

Preparing Video For Download...