Appunti VERIFICATO
DATA SCIENCE NOTES
105 visualizzazioni
Nessun voto ancora
Di cosa parla
Riassunto AI · si legge in un minuto
Il testo definisce i concetti fondamentali di Data Science e Machine Learning, distinguendo tra apprendimento supervisionato, non supervisiono e per rinforzo all'interno dell'ambito più ampio dell'Intelligenza Artificiale. Vengono poi illustrati metodi per la rappresentazione dei dati numerici e categoriali, strategie avanzate per gestire i valori mancanti come l'imputazione o il controllo tramite variabili dummy, nonché tecniche di normalizzazione essenziali per algoritmi sensibili alla scala delle feature.
Leggi il riassunto completo
- La Data Science è un campo interdisciplinare che utilizza metodi scientifici e algoritmi per estrarre conoscenza da grandi dataset, distinguendosi dalla statistica tradizionale focalizzandosi sulla predizione e sull'azione piuttosto che solo sulla descrizione dei dati.
- I dati possono essere rappresentati come attributi numerici discreti o continui (intervallo o rapporto) oppure categoriali nominali o ordinali, richiedendo tecniche di codifica specifiche come l'one-hot encoding per gestire le variabili non numeriche nei modelli predittivi.
- La gestione dei valori mancanti richiede una distinzione tra casi Missing Completely at Random e altri tipi più complessi, permettendo strategie diverse che spaziano dalla semplice eliminazione delle righe a metodi avanzati di imputazione basati su regressione o massima verosimiglianza.
- L'esplorazione visiva dei dati attraverso grafici come istogrammi, box plot e scatter plot, unita a tecniche di riduzione della dimensionalità lineare (PCA) e non lineare (t-SNE), consente di analizzare distribuzioni complesse e proiettare spazi ad alta dimensione in 2D o 3D.
- Il processo di regressione lineare mira a minimizzare la somma dei residui quadratici per trovare i pesi ottimali, valutando le prestazioni del modello tramite metriche come il coefficiente di determinazione R² e utilizzando dataset separati di training e test per evitare l'overfitting.
- Le tecniche di normalizzazione sono essenziali quando gli attributi hanno scale diverse, poiché influenzano direttamente la convergenza degli algoritmi iterativi e i risultati dei clustering, mentre metodi come Winsorizing o trimming aiutano a gestire le anomalie estreme nei dataset.
Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo
Stai vedendo l'anteprima delle prime pagine. Registrati per sbloccare le pagine restanti.
Studia questi appunti con l'AI
Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.
In preparazione: di solito è pronto in giornata.
Registrati e scarica gratis questo appunto.
Simula l'esame con domande costruite su questi appunti.
Di cosa parla l'insegnamento
Data science and security for mobility · 1° anno · 1° semestre · 10 CFU · IINF-05/A
Data science aims at developing processes to analyze and understand phenomena through data. It stands at the intersection of statistics and computer science, and employs methods from machine learning, data mining, data bases, visualization, and cloud computing. This course presents the structure of the typical data…