Course · 7 chapters
Machine Learning
Build classical ML models that hold up in production. With scikit-learn, learn data splitting, EDA, feature engineering, and algorithm selection across 7 practitioner chapters.
What you'll be able to do
- Frame problems as classification or regression
- Split data without leakage
- Run exploratory data analysis
- Engineer features in clean pipelines
- Pick the right scikit-learn algorithm
- Validate models with cross-validation
What's inside
- 1Suddivisione dei dati — Train / Validation / Test fatti bene
Scopri perché una suddivisione a tre vie è irrinunciabile, come scegliere le proporzioni, preservare la struttura, rispettare il tempo e prevenire il leakage che fa sembrare i modelli ottimi nei notebook ma li fa fallire in produzione.
- 2Buone pratiche per la scelta del modello — Abbina l'algoritmo a dati e obiettivo
Impara il processo sistematico per scegliere l'algoritmo di ML giusto: prima la baseline, abbinala alle caratteristiche dei dati, validala con la cross-validation e sappi quando rilasciare.
- 3Machine Learning: Inizia da qui
La mappa di orientamento del percorso di Machine Learning — perché questi sei capitoli stanno insieme, cosa saprai fare dopo averli completati e da dove cominciare.
- 4Panoramica degli algoritmi — le famiglie di sklearn e quando usarle
Mappa ogni tipo di problema ML alle concrete famiglie di algoritmi in scikit-learn — modelli lineari, alberi, SVM, ensemble e altro — così scegli lo strumento giusto prima di scrivere una riga di codice.
- 5Pulizia dei dati e feature engineering
Valori mancanti, outlier, scaling, encoding e assemblaggio della pipeline — trasforma i risultati grezzi dell'EDA in feature pronte per il modello.
- 6Analisi esplorativa dei dati — distribuzioni, correlazioni, anomalie
Padroneggia l'indagine sistematica dei dataset prima della modellazione — le distribuzioni rivelano la forma, le correlazioni rivelano il segnale, le anomalie rivelano cosa va corretto.
- 7Tipi di problema ML — classificazione, regressione, clustering
Impara a riconoscere se la tua domanda di business richiede un classificatore, un regressore o un algoritmo di clustering — la decisione che plasma ogni scelta a valle.
Frequently asked questions
- What will I learn in this machine learning course?
- You learn the classical ML workflow end to end: data splitting, exploratory data analysis, data cleaning, feature engineering, identifying the problem type, and choosing the right scikit-learn algorithm. The 7 chapters are built around practical, production-minded decisions.
- Who is this course for?
- It is aimed at engineers at a practitioner level who want to build reliable machine learning models with scikit-learn. It suits software or data engineers moving into ML who already write code and want a systematic modeling process.
- Do I need prior experience or to know how to code?
- Yes, this is a practitioner-level path, so you should be comfortable coding in Python and working with data. It assumes you can run code rather than teaching programming from scratch.
- How long is the course and is there a certificate?
- The path has 7 chapters totaling about 140 minutes (roughly 2.3 hours). Completing the chapters in the AI Academy earns a certificate you can share.
- Is this course free?
- No, this is a paid path included with an AI Academy by Anthropos subscription. Once subscribed, you get full access to all 7 chapters.
Earn a certificate
Complete all chapters to receive your certificate of completion.