| name | machine-learning |
| description | Machine Learning teoria e pratica. Loss functions, ottimizzazione (gradient descent, SGD, momentum), OLS, maximum likelihood, regressione polinomiale, bias-variance tradeoff, regolarizzazione (Ridge L2, Lasso L1), cross-validation, classificazione (logistic regression, GLM), KNN, decision trees (Gini, entropia), SVM (hard/soft margin, hinge loss, kernel trick), Gaussian processes, ensemble (bagging, random forest, AdaBoost, gradient boosting), neural networks (backpropagation, ReLU, softmax, dropout), CNN (convolution, pooling, stride), unsupervised (K-means, GMM, EM, PCA). Basato su corso Bocconi BEMACS. Usa SEMPRE per: machine learning, modello predittivo, classificazione, regressione, overfitting, regolarizzazione, cross-validation, alberi decisione, random forest, boosting, reti neurali, CNN, clustering, PCA, SVM, kernel, bias variance. Attiva per "modello ML", "quale algoritmo usare", "overfitting", "classificare", "clustering", "rete neurale", "random forest", "gradient boosting".
|
Machine Learning — Teoria e Pratica
Guida completa al Machine Learning: dai fondamenti matematici (loss functions, ottimizzazione) agli algoritmi supervisionati e non supervisionati, con enfasi su scelta del modello, regolarizzazione e valutazione. Framework operativo per data scientist, analisti e sviluppatori AI.
1. Fondamenti del Machine Learning
1.1 Tipi di Apprendimento
- Supervised Learning: dato un dataset etichettato D = {(x, t)}, trovare un'approssimazione della funzione f che generalizzi bene su dati nuovi. Richiede: loss function L, spazio delle ipotesi H, metodo di ottimizzazione.
- Unsupervised Learning: apprendere una rappresentazione più efficiente dei dati senza etichette.
1.2 Loss Functions
- MSE (Mean Squared Error): MSE = (1/n) Σ(yᵢ - f̂(Xᵢ))² — per regressione
- Categorical Log Loss: L = -Σ yᵢ log(pᵢ) — per classificazione
- Hinge Loss: φ(y, w^Tx) = max(0, 1 - y·w^Tx) — per SVM
1.3 Bias-Variance Tradeoff
MSE_Test = Bias² + Varianza + Errore Irriducibile (σ²)
- Underfitting (alta bias, bassa varianza): modello troppo semplice, scarsa performance su training
- Overfitting (bassa bias, alta varianza): modello troppo complesso, cattiva generalizzazione
- Complessità alta → bias bassa, varianza alta
- Complessità bassa → bias alta, varianza bassa
2. Ottimizzazione
2.1 Gradient Descent
Update rule: x_t = x_{t-1} - η · ∇f(x_{t-1})
- Learning rate η: troppo grande → diverge; troppo piccolo → lento
- Momentum: x_t = x_{t-1} - η · ∇f(x_{t-1}) + α · Δx_{t-1}, con α ∈ [0,1]
- Condition number κ = max σ(A) / min σ(A): influenza la velocità di convergenza
2.2 Stochastic Gradient Descent (SGD)
Per dataset grandi, approssima il gradiente usando un sottoinsieme casuale dei dati. Più veloce per iterazione, convergenza più rumorosa ma spesso sufficiente.
2.3 Ottimizzazione Vincolata
- Lagrangiana: L(x, λ) = f(x) + Σ λᵢ g(x)
- Problema duale: utile per SVM e kernel methods
3. Regressione Lineare e Regolarizzazione
3.1 OLS (Ordinary Least Squares)
- Modello: y = Xβ + ε
- Loss: L(β) = (1/n) ||Xβ - y||²
- Soluzione analitica (equazione normale): β̂ = (X^T X)^{-1} X^T y
3.2 Maximum Likelihood Estimation
Sotto assunzione di normalità degli errori: massimizzare p(y|X; β) = N(y; Xβ, σ²I) equivale a minimizzare MSE.
3.3 Regressione Polinomiale
y = θ₀ + θ₁x + θ₂x² + ... + θ_dx^d + ε — aumenta flessibilità ma rischio di overfitting.
3.4 Ridge Regression (L2)
β̂ = arg min (1/n)||Xβ - y||² + λ||β||₂²
- Riduce i coefficienti verso zero, mai esattamente a zero
- Interpretazione bayesiana: prior gaussiano N(0, σ²) sui coefficienti
- Contorno penalità: sferico nello spazio dei parametri
3.5 Lasso Regression (L1)
β̂ = arg min (1/n)||Xβ - y||² + λ||β||₁
- Può portare coefficienti esattamente a zero → selezione variabili (modelli sparsi)
- Interpretazione bayesiana: prior di Laplace sui coefficienti
- Contorno penalità: diamante → favorisce soluzioni sparse
3.6 Cross-Validation
- Validation Set: split casuale train/validation (instabile, potenziale bias)
- Leave-One-Out CV (LOOCV): LOOCV = (1/n) Σ MSEᵢ — allena n modelli, costoso
- k-Fold CV: Error = (1/k) Σ MSEᵢ — bilancia efficienza e riduzione del bias (tipicamente k=5 o k=10)
4. Classificazione
4.1 Regressione Logistica
- Funzione logistica: p(X) = e^(β^T X) / (1 + e^(β^T X))
- Logit (log-odds): log(p/(1-p)) = β^T X — lineare in X
- Stima parametri: Maximum Likelihood — L(β) = Π [p(Xᵢ)]^yᵢ · [1-p(Xᵢ)]^(1-yᵢ)
4.2 Regressione Logistica Multinomiale
- Probabilità per classe k: p(Y=k|X) = e^(β_k^T X) / Σ_j e^(β_j^T X) (softmax)
- Likelihood congiunta per tutte le categorie di risposta
4.3 Generalized Linear Models (GLMs)
Estendono la regressione lineare a variabili risposta non continue:
- Componente random: distribuzione della famiglia esponenziale (Gaussiana, Binomiale, Poisson)
- Componente sistematica: predittore lineare z = β₀ + β₁X₁ + ... + βₚXₚ
- Funzione link: collega E[y|X;θ] = φ⁻¹(z)
- La regressione logistica è un GLM con risposta Binomiale e link logit
5. Metodi Non Parametrici
5.1 K-Nearest Neighbours (KNN)
- Calcolo distanze: distanza euclidea ||Xᵢ - Xⱼ||₂
- Selezione dei k vicini più prossimi
- Aggregazione: media (regressione) o moda (classificazione)
Iperparametro k: k piccolo → sensibile al rumore; k grande → smoother ma meno accurato. Ottimizzare con cross-validation. Normalizzazione essenziale (Min-Max scaling).
5.2 Decision Trees (Alberi Decisionali)
Alberi di regressione: funzione costante a tratti — f̂(X) = Σ f̂_ℓ · 1_{R_ℓ}(X)
Alberi di classificazione: predizione = moda della classe nella foglia
Criteri di split:
- Misclassification Rate: 1 - max(p_k) — semplice ma poco sensibile
- Gini Index: 1 - Σ p_k² — misura impurità del nodo
- Entropia: -Σ p_k log₂(p_k) — zero = nodo puro, seleziona la massima riduzione di entropia
6. Support Vector Machines (SVM)
6.1 Maximal Margin Classifier (Hard Margin)
- Iperpiano: w^T x = 0
- Obiettivo: max M soggetto a yᵢ(w^T Xᵢ) ≥ M, ||w|| = 1
- Forma equivalente: min (1/2)||w||² soggetto a yᵢ(w^T Xᵢ) ≥ 1
6.2 Support Vector Classifier (Soft Margin)
Introduce variabili slack ξᵢ per consentire alcune classificazioni errate:
- min (λ/2)||w||² + (1/n) Σ ξᵢ, soggetto a yᵢ(w^T Xᵢ) ≥ 1 - ξᵢ, ξᵢ ≥ 0
Formulazione con Hinge Loss: min (1/n) Σ max(0, 1 - yᵢ·w^T Xᵢ) + (λ/2)||w||²
Tipi di support vector:
- αᵢ = 0: non-support vector
- αᵢ ∈ (0,1): essential support vector (dal lato giusto del margine)
- αᵢ = 1: bound support vector (lato sbagliato o dentro il margine)
6.3 Kernel Trick
Kernel function: k(x, x') = φ(x)^T φ(x') — calcola prodotti interni nello spazio delle feature senza calcolare esplicitamente φ.
- Kernel Matrix K: K_ij = k(xᵢ, xⱼ)
- Teorema di Mercer: kernel valido ↔ matrice di Gram K simmetrica e semidefinita positiva
- Representer Theorem: f̂(x) = Σᵢ αᵢ k(xᵢ, x) — la soluzione è combinazione lineare dei kernel
Kernel Ridge Regression: f̂(X*) = y^T (K + nλI)^{-1} k(X*)
7. Gaussian Processes
- Definizione: f ~ GP(μ, κ) con media μ(x) e covarianza κ(x, x')
- Distribuzione predittiva per punto nuovo X*:
- μ_pred(X*) = μ(X*) + κ(X*, X) κ(X, X)^{-1} (f(X) - μ(X))
- σ²_pred(X*) = κ(X*, X*) - κ(X*, X) κ(X, X)^{-1} κ(X, X*)
- Forniscono stime di incertezza naturali (intervalli di confidenza predittivi)
8. Metodi Ensemble
8.1 Bagging (Bootstrap Aggregating)
- Creare B campioni bootstrap dal training set
- Allenare un modello su ciascuno
- Aggregare: media (regressione) o voto di maggioranza (classificazione)
Riduzione della varianza: σ²_bagged = ((1-ρ)/B)σ² + ρσ², dove ρ = correlazione tra modelli. L'efficacia dipende dalla riduzione di ρ.
8.2 Random Forest
Estensione del bagging: ad ogni split, consideri solo q ≤ p variabili casuali come candidati. Riduce la correlazione tra alberi → migliore riduzione della varianza.
8.3 AdaBoost (Adaptive Boosting)
Allenamento sequenziale di weak learner con pesi adattivi:
- Inizializza: D(i) = 1/n per ogni campione
- Per t = 1,...,T:
- Allena weak learner h_t con pesi D_t
- Calcola errore pesato: e_t = Σ D_t(i) · 1(yᵢ ≠ h_t(x))
- Calcola peso del learner: α_t = (1/2) log((1-e_t)/e_t)
- Aggiorna pesi: D_{t+1}(i) = D_t(i) · exp(-α_t · yᵢ · h_t(xᵢ)) / Z_t
- Predizione finale: H(x) = sign(Σ α_t · h_t(x))
8.4 Gradient Boosting
Allena modelli successivi sui residui dell'iterazione precedente:
- Per t = 1,...,T:
- Calcola residui: r_ti = -∂L(yᵢ, F(xᵢ))/∂F(xᵢ)
- Allena learner sui residui: h_t(x) → r_t
- Ottimizza step: γ_t = arg min Σ L(yᵢ, F_{t-1}(xᵢ) + γ · h_t(xᵢ))
- Aggiorna: F_t(x) = F_{t-1}(x) + γ_t · h_t(x)
9. Neural Networks
9.1 Architettura Base
- Singolo layer: f̂(x) = h(W^T x + b), dove h è la funzione di attivazione
- Multi-layer: q^(l) = h(W^(l) · q^(l-1) + b^(l))
Funzioni di attivazione:
- Logistic (Sigmoid): h(x) = 1/(1+e^{-x}) — output in (0,1)
- ReLU: h(x) = max(0, x) — efficiente, evita vanishing gradient
- Softmax (output layer classificazione): h(x)ᵢ = e^{xᵢ} / Σ_j e^{x_j}
9.2 Backpropagation
Algoritmo per calcolare i gradienti della loss rispetto ai pesi di ogni layer, propagando l'errore dall'output all'input.
- Ottimizzazione: θ* = arg min J(θ) = arg min (1/n) Σ L(xᵢ, yᵢ, θ)
- Cost functions: MSE (regressione), Cross-entropy (classificazione multiclasse)
9.3 Convolutional Neural Networks (CNN)
Operazione di convoluzione: q_ij = h(ΣΣ x_{i+k-1, j+l-1} · W_{kl})
- Sparse interactions: ogni neurone dipende solo da una piccola regione dell'input
- Parameter sharing: lo stesso filtro W è usato su tutta l'immagine
Strided convolution: salto di s pixel per ridurre le dimensioni spaziali
Pooling: average pooling o max pooling per ridurre dimensionalità e creare invarianza
9.4 Dropout (Regolarizzazione)
- Durante il training: maschera casuale m con probabilità r di essere attivo
- q̃^(l-1) = m^(l-1) ⊙ q^(l-1)
- Durante il test: tutti i neuroni attivi
- Previene la co-adattazione dei neuroni, agisce come regolarizzazione implicita
10. Apprendimento Non Supervisionato
10.1 K-Means Clustering
Obiettivo: min Σ_{ℓ=1}^K (1/|R_ℓ|) Σ_{x∈R_ℓ} ||x - μ_ℓ||²
Algoritmo iterativo:
- Inizializzazione casuale dei centroidi
- Assegnazione di ogni punto al centroide più vicino
- Ricalcolo dei centroidi: μ_ℓ = media dei punti assegnati al cluster ℓ
- Ripetere fino a convergenza
Non convesso → converge a minimi locali. Usare il metodo del gomito (elbow) per scegliere k. Normalizzazione essenziale.
10.2 Gaussian Mixture Model (GMM)
Soft clustering: ogni punto ha una probabilità di appartenere a ciascun cluster.
- f(x) = Σ_{j=1}^M π(j) · N(x | μ_j, Σ_j)
- Responsabilità: w_i(j) = π(j)N(x|μ_j,Σ_j) / Σ_v π(v)N(x|μ_v,Σ_v)
10.3 Expectation-Maximization (EM)
- E-Step: calcola le responsabilità w_i(j) con i parametri correnti
- M-Step: aggiorna i parametri massimizzando la verosimiglianza attesa
- π(j) = (1/N) Σ w_i(j)
- μ_j = Σ w_i(j)xᵢ / Σ w_i(j)
- Σ_j = Σ w_i(j)(xᵢ-μ_j)(xᵢ-μ_j)^T / Σ w_i(j)
- Ripetere fino a convergenza
10.4 PCA (Principal Component Analysis)
Riduzione della dimensionalità da d a k (k < d):
- Trova le direzioni di massima varianza nei dati
- Base ortonormale {u_j}_{j=1}^k che approssima i dati d-dimensionali
- Utile come preprocessing e per visualizzazione
11. Guida alla Scelta dell'Algoritmo
Problemi di Regressione
| Situazione | Algoritmo consigliato |
|---|
| Relazione lineare, pochi predittori | OLS |
| Molti predittori, rischio overfitting | Ridge/Lasso |
| Relazione non lineare | Random Forest, Gradient Boosting |
| Dati molto grandi, relazioni complesse | Neural Network |
| Serve incertezza sulla predizione | Gaussian Process |
Problemi di Classificazione
| Situazione | Algoritmo consigliato |
|---|
| Classificazione binaria, interpretabilità | Logistic Regression |
| Boundary non lineare, pochi dati | SVM con kernel |
| Molte feature, interpretabilità | Decision Tree |
| Massima accuratezza, dati tabulari | Gradient Boosting (XGBoost) |
| Immagini, dati sequenziali | CNN, Neural Network |
Problemi di Clustering
| Situazione | Algoritmo consigliato |
|---|
| Cluster sferici, k noto | K-Means |
| Cluster ellittici, soft assignment | GMM + EM |
| Riduzione dimensionalità | PCA |
