Introduzione
Non tutti i modelli sono semplici equazioni matematiche che possono essere tracciate come una linea. È più semplice invece considerare alcuni modelli complessi come diagrammi di flusso o strutture di programmazione tradizionali. Tali modelli hanno in genere livelli aggiuntivi di personalizzazione, che possono renderli più potenti, ma anche più complessi da usare. In questi esercizi si esplorerà questo aspetto modificando il modo in cui i modelli funzionano e il modo in cui ne viene eseguito il training. Anche se ci si concentrerà su un tipo di modello, i principi generali qui illustrati si applicano anche a molti altri tipi di modello.
Scenario: previsione dei risultati sportivi con l'apprendimento automatico
In questo modulo si fa riferimento allo scenario di esempio seguente per illustrare i concetti relativi all'architettura del modello e agli iperparametri. Questo scenario è progettato per sembrare inizialmente complesso, ma con il progredire degli esercizi si imparerà come può essere affrontato con un po' di pensiero critico e sperimentazione.
Il motto dei giochi è composto da tre parole latine: Citius - Altius - Fortius. Queste parole significano Più veloce - Più in alto - Più forte. Da quando è stato creato questo motto, la varietà di giochi è aumentata enormemente per includere il tiro a segno, la vela e gli sport di squadra. Si vorrebbe esplorare il ruolo che le caratteristiche fisiche di base giocano ancora nel predire chi vince una medaglia in uno degli eventi sportivi più prestigiosi del pianeta. A tale scopo, si esplorerà la ginnastica ritmica, un'aggiunta moderna ai giochi che combina danza, ginnastica e callistenia. Ci si potrebbe aspettare che le caratteristiche di base di età, altezza e peso giochino solo un ruolo limitato, data la necessità di agilità, flessibilità, destrezza e coordinazione. Verranno ora usati alcuni modelli di Machine Learning più avanzati per vedere quanto siano davvero critici questi fattori di base.
Prerequisiti
- Familiarità con i modelli di Machine Learning
Obiettivi di apprendimento
Contenuto del modulo:
- Individuare nuovi tipi di modelli: alberi delle decisioni e foreste casuali.
- Informazioni su come l'architettura del modello può influire sulle prestazioni.
- Provare a usare gli iperparametri per migliorare l'efficacia del training.