Introduzione a Python. Concetto di environment (Anaconda e Pip.). Tipi e variabili. Casting ed operatori. Istruzioni condizionali e cicli. Liste, tuple, insiemi e dizionari. Funzioni e classi. Iteratori ed ereditarietà. Lambda, scope e moduli. Math module. Gestione eccezioni. Input e string formatting. Numpy.

I diversi modi in cui un algoritmo può apprendere. Terminologia di base. Elaborazione dei dati. Installazione pacchetti Python.

Neuroni artificiali. Perceptron. Addestramento Perceptron su dataset Iris. Minimizzare una funzione costo attraverso la discesa lungo il gradiente. Implementare un neurone lineare adattativo in Python. Machine Learning su larga scala e discesa stocastica del gradiente.

Addestrare un Perceptron con scikit-learn. Probabilità delle classi e regressione logistica. SVM (support vector machine). Affrontare problemi non lineari con SVM e Python (scikit-learn). Alberi decisionali e loro realizzazione in Python (scikit-learn).

Il problema dei dati mancanti. Gestione di dati categorici. Partizionamento dei dati. Portare le caratteristiche sulla stessa scala.

Debugging degli algoritmi con le curve di apprendimento e convalida. Diagnosi del bias e varianza con le curve di apprendimento. Soluzione dei problemi di overfitting e underfitting.

Dataset IMDb. Modello bag-of-words. Addestramento di un modello a regressione logistica per la classificazione dei documenti, ed implementazione in Python.

Dataset Housing. Implementare un modello a regressione lineare con scikit-learn. Addestramento di un modello di regressione utilizzando RANSAC. Valutazione prestazioni. Regressione a curva polinomiale.

Modellare funzioni complesse con le reti neurali ed implementazione in Python. Classificare cifre scritte a mano. Addestramento rete neurale (algoritmo di retropropagazione). Cenni ad altre architetture.