#5.2 Soluzioni low code per la Statistica Descrittiva, il Data Mining ed il Machine Learning - Scuola futura
#5.2 Soluzioni low code per la Statistica Descrittiva, il Data Mining ed il Machine Learning
Percorso Formativo (Polo Transizione digitale - Taranto - TATF09000G)
-
ID percorso
194218
-
Titolo Percorso
#5.2 Soluzioni low code per la Statistica Descrittiva, il Data Mining ed il Machine Learning
-
Tipologia di svolgimento
Online
-
Data inizio
08/01/2024
-
Data di conclusione
29/02/2024
-
Durata (in ore)
24
-
Numero posti
80
-
Luogo di svolgimento
-
Descrizione
Il percorso formativo è stato progettato per avvicinare i docenti, o consolidare la loro formazione, verso le pratiche di uso dei dati (dataset), la loro esplorazione (anche grafica), per la definizione di modelli di Machine Learning, attraverso soluzioni Low Code di facile ed immediato utilizzo.
-
Regioni destinatarie della formazione
INTERO TERRITORIO NAZIONALE
-
Tipologia scuola
Scuola secondaria II grado
-
Macro argomento
Transizione digitale
-
Destinatari
Docenti
-
Area DigCompEdu
3. Pratiche di insegnamento e apprendimento
-
Livello di ingresso
B1. Sperimentatore/Intermedio/Conosce e utilizza in modo efficace e responsabile
-
Programma
24 ore (15 ore sincrone online + 9 ore asincrone). L’intervento formativo sarà sviluppato in: ➢ incontri sincroni da 3h (15h totali, 12h di lezione frontale/partecipata e 3h di tutoraggio); ➢ attività di 9h asincrone per lo sviluppo di 3 e-tivity. INCONTRO 1: 11 gennaio 2024 (16:00 - 19:00) ➢ Formato dei dati ➢ Dati strutturati/non strutturati ➢ Dataset e repository per dataset ➢ Normalizzazione dei dati e Missing value ➢ Modelli di apprendimento: supervisionato, non supervisionato, con rinforzo ➢ Addestrare un Modello: train test, set test ➢ Introduzione agli ambienti web based utilizzati nel corso: ambiente Low code per la definizione di un modello di machine learning (dati e statistiche, math formula e rule engine, bar chart e line plot, data time e string manipulation, lettura e scrittura di un file, documentazione a supporto. ➢ assegnazione e-tivity 1: realizzare un’attività con uso di blocchi che consentano di definire un flusso dati con: blocco file in input, statistiche e grafici, eliminazione dei valori mancanti, normalizzazione, ecc. (attività individuale). INCONTRO 2: 18 gennaio 2024 (16:00 - 19:00) ➢ Tutoraggio Sincrono per il rinforzo di quanto trattato nell’incontro 1 e conclusione della e-tivity 1. INCONTRO 3: 25 gennaio 2024 (16:00 - 19:00) ➢ Flussi di lavoro avanzati: lettura scrittura di file, accesso al database con data flow, ulteriori grafici, metanodi e component, Data Science Case Study Collection. ➢ Documentazione a supporto. ➢ Assegnazione e-tivity 2: realizzare un’attività con uso di blocchi che consentano di definire un flusso dati con: database e lettura/scrittura di file ecc, (attività individuale). INCONTRO 4: 1 febbraio 2024 (16:00 - 19:00) ➢ Addestriamo un Modello di Machine learning: Classificazione e regressione, partitioning dei dati: train e test set, errori nella classificazione, errori nella regressione, Clustering. ➢ Regressione: Regressione su dataset immobili, numeric scorer e cross validation. ➢ Classificazione: Classificazione con decision tree learner e uso di join e scorer, Random Forest con ottimizzazione dei parametri, Confronto tra classificatori Decision Tree e Random Forest, Decision Tree con Cross Validation, Algoritmo KNN semplice e con Cross Validation. ➢ Clustering: Algoritmo k-Means e clustering Gerarchico. ➢ Assegnazione e-tivity 3: realizzare un breve e sintetico Progetto didattico (anche in piccoli gruppi da 2-3 corsisti), con riferimento ai temi trattati e utilizzo della scheda fornita dal docente. INCONTRO 5: 8 febbraio 2024 (16:00 - 19:00) ➢ Momenti di ripasso/rinforzo di quanto trattato, finalizzati allo svolgimento delle 3 e-tivity assegnate. ➢ Socializzazione dei progetti presentati. ➢ Discussione ed ulteriori approfondimenti. ➢ Sviluppi futuri.
-
Formatore/i
FRANCESCO PICCA
-
Data inizio iscrizioni
11/12/2023
-
Data fine iscrizioni
04/01/2024