Tutte le lezioni

Corso

IA della 9ª classe: Python e apprendimento automatico

Usa Python, NumPy e pandas per addestrare e valutare modelli classici di apprendimento automatico.

Fai le lezioni in ordine. Alla fine sai scrivere Python con strutture di dati e funzioni riutilizzabili. Sai sommare vettori, calcolare probabilità e trovare la media e la deviazione standard. Sai caricare, pulire e fare grafici di una tabella con NumPy e pandas. Sai adattare una retta ai dati, addestrare classificatori di regressione logistica, alberi decisionali e k vicini più prossimi, e raggruppare i dati con k-means. Sai calcolare accuratezza, precisione e richiamo, individuare il sovradattamento, confrontare un modello con una base semplice, e presentare previsioni da un dataset ambientale.

Come usare queste lezioni

  • Parti dalla lezione segnata Fai questo. Vai avanti quando sai fare da te la riga sotto il titolo.
  • Prima gioca ai Giochi. Poi fai i Quiz. 8 di 10 giuste per passare. Le Schede sono su carta. Le risposte sono in fondo.
  • Ogni lezione si appoggia a quella prima. Prendi appunti su ogni esperimento: che cosa hai cambiato, che cosa è successo e perché.
  • Le lezioni di codice usano Python in un quaderno online gratis. Usa solo gli strumenti di IA che approva il tuo insegnante. Spiega il codice che l'IA scrive per te. Non mettere mai dati personali in un dataset che condividi.

Ogni lezione ha giochi, quiz e schede.

0 di 36

Programmazione in Python

  1. 1Ripasso della sintassiScrivi Python con variabili, condizioni e cicli.
    • Usa variabili, tipi e f-strings.
    • Scrivi blocchi if, for e while.
    • Leggi un traceback e correggi l'errore.
  2. 2Strutture di datiScegli tra liste, tuple, insiemi e dizionari.
    • Usa ogni struttura per il lavoro che fa meglio.
    • Scrivi list comprehension e dictionary comprehension.
    • Annida le strutture per tenere i record.
  3. 3Funzioni e moduliScrivi e prova funzioni riutilizzabili.
    • Usa argomenti di default e con nome.
    • Scrivi test con assert.
    • Importa le tue funzioni da un modulo.
  4. 4Script per i datiScrivi uno script che pulisce un file di testo.
    • Leggi un file riga per riga.
    • Sistema le righe sbagliate e salta quelle vuote.
    • Scrivi i dati puliti in un nuovo file.

Matematica per l'apprendimento automatico

  1. 5VettoriSomma vettori e trova la distanza tra punti.
    • Rappresenta un punto dei dati come vettore.
    • Somma e scala i vettori.
    • Calcola la distanza euclidea e il prodotto scalare.
  2. 6ProbabilitàCalcola probabilità semplici e condizionate.
    • Calcola la probabilità di un evento.
    • Calcola una probabilità condizionata da una tabella.
    • Simula lanci di moneta per controllare la risposta.
  3. 7StatisticaTrova la media, la varianza e la deviazione standard.
    • Calcola ciascuna a mano e nel codice.
    • Spiega che cosa ti dice la deviazione standard.
    • Confronta 2 dataset dalla loro dispersione.
  4. 8Esperimenti di matematicaDisegna i dati e descrivi la dispersione.
    • Disegna un istogramma.
    • Disegna un diagramma a dispersione.
    • Descrivi il centro, la dispersione e i valori anomali.

Scienza dei dati

  1. 9NumPyFai calcoli su interi array con NumPy.
    • Crea array e cambiane la forma.
    • Usa operazioni vettorializzate al posto dei cicli.
    • Indicizza e affetta gli array.
  2. 10pandasCarica, filtra e raggruppa una tabella con pandas.
    • Carica un CSV in un DataFrame.
    • Filtra le righe e scegli le colonne.
    • Raggruppa e riassumi i dati.
  3. 11Pulire i datiGestisci valori mancanti e tipi sbagliati.
    • Trova i valori mancanti.
    • Riempili o scartali, e spiega la scelta.
    • Correggi tipi sbagliati e righe duplicate.
  4. 12VisualizzazioneFai grafici che rispondono a una domanda.
    • Scegli il grafico giusto per la domanda.
    • Etichetta gli assi e aggiungi un titolo.
    • Trova un grafico ingannevole e correggilo.

Basi dell'apprendimento automatico

  1. 13Che cos'è l'apprendimento automaticoSpiega come un modello impara uno schema dai dati.
    • Confronta scrivere regole e imparare dai dati.
    • Definisci modello, parametri e addestramento.
    • Di' 3 usi reali dell'apprendimento automatico.
  2. 14Supervisionato e non supervisionatoDistingui compiti supervisionati da compiti non supervisionati.
    • Di' che l'apprendimento supervisionato usa le etichette.
    • Di' che l'apprendimento non supervisionato trova una struttura senza etichette.
    • Metti 10 compiti in ciascun gruppo.
  3. 15Il flusso di lavoro MLElenca i passi dai dati a un modello che funziona.
    • Ordina i passi: domanda, dati, caratteristiche, addestra, valuta, metti in uso.
    • Di' che cosa può andare storto a ogni passo.
    • Di' perché i passi si ripetono.
  4. 16Confronta i compiti MLAbbina i problemi a regressione, classificazione o raggruppamento.
    • Di' che cosa predice ciascun compito.
    • Abbina 10 problemi a un compito.
    • Riscrivi un problema come un compito diverso.

Regressione

  1. 17Regressione lineareAdatta una retta ai dati.
    • Spiega pendenza e intercetta.
    • Adatta una retta con scikit-learn.
    • Disegna la retta sopra i dati.
  2. 18CaratteristicheScegli e scala le caratteristiche.
    • Usa più di una caratteristica.
    • Scala le caratteristiche allo stesso intervallo.
    • Codifica una caratteristica categorica.
  3. 19ErroreMisura l'errore con l'errore quadratico medio.
    • Calcola i residui.
    • Calcola l'errore quadratico medio e l'errore assoluto medio.
    • Disegna i residui per trovare uno schema.
  4. 20Prevedi numeriAddestra un modello di regressione e prevedi valori nuovi.
    • Addestra su una parte dei dati.
    • Prevedi il resto.
    • Riporta l'errore in unità reali.

Classificazione

  1. 21Regressione logisticaAddestra un classificatore di regressione logistica.
    • Spiega come trasforma un punteggio in una probabilità.
    • Addestralo e prevedi probabilità.
    • Cambia la soglia e confronta.
  2. 22Alberi decisionaliAddestra un albero decisionale e leggi le sue divisioni.
    • Addestra un albero.
    • Disegna e leggi le sue divisioni.
    • Limita la profondità e confronta i punteggi.
  3. 23k vicini più prossimiClassifica con i k vicini più prossimi e scegli k.
    • Spiega come votano i k vicini più prossimi.
    • Prova diversi valori di k.
    • Di' perché la scala conta per i k vicini più prossimi.
  4. 24Addestra un classificatoreConfronta 3 classificatori su un dataset.
    • Addestrali tutti e 3 sulla stessa divisione.
    • Confronta i punteggi.
    • Scegline uno e spiega perché.

Apprendimento non supervisionato

  1. 25SimilaritàMisura quanto sono simili 2 campioni.
    • Usa la distanza euclidea.
    • Usa la similarità del coseno.
    • Trova gli elementi più simili in un dataset.
  2. 26k-meansRaggruppa i dati con il raggruppamento k-means.
    • Esegui i passi di k-means a mano.
    • Eseguilo in scikit-learn.
    • Disegna i cluster.
  3. 27Scegliere kUsa il metodo del gomito per scegliere un numero di cluster.
    • Esegui k-means per diversi valori di k.
    • Disegna la curva del gomito.
    • Controlla che i cluster abbiano senso.
  4. 28Raggruppa i campioniFai cluster di un dataset e descrivi ciascun gruppo.
    • Fai cluster di un dataset reale.
    • Riassumi ciascun cluster.
    • Dai un nome a ciascun cluster.

Valutazione del modello

  1. 29Divisione train e testDividi i dati e spiega perché.
    • Dividi con train_test_split.
    • Usa un insieme di validazione per regolare.
    • Usa la validazione incrociata.
  2. 30Accuratezza, precisione e richiamoCalcola accuratezza, precisione e richiamo.
    • Costruisci una matrice di confusione.
    • Calcola ciascuna metrica da essa.
    • Scegli la metrica adatta al problema.
  3. 31SovradattamentoIndividua il sovradattamento confrontando i punteggi di addestramento e di test.
    • Addestra un modello che va in sovradattamento.
    • Disegna i punteggi di addestramento e di test.
    • Riduci il sovradattamento e confronta.
  4. 32BaseConfronta un modello con una base semplice.
    • Costruisci una base che indovina sempre la risposta più comune.
    • Confronta il tuo modello con essa.
    • Spiega quando un modello non vale la pena.

Progetto di apprendimento automatico

  1. 33Scegli un datasetScegli un dataset ambientale aperto e una domanda.
    • Trova un dataset aperto sul meteo o sulla qualità dell'aria.
    • Scrivi una domanda a cui può rispondere.
    • Scegli regressione o classificazione.
  2. 34Prepara ed esploraPulisci i dati e fai grafici degli schemi principali.
    • Pulisci i dati.
    • Fai grafici di 3 schemi.
    • Scegli le caratteristiche.
  3. 35Addestra e confrontaAddestra 2 modelli e confrontali con una base.
    • Addestra 2 modelli.
    • Confrontali con una base.
    • Controlla il sovradattamento.
  4. 36Prevedere le condizioni ambientaliPresenta risultati, limiti e passi successivi.
    • Mostra i tuoi risultati e i grafici.
    • Spiega i limiti del modello.
    • Proponi i passi successivi.