Publisher's Synopsis
L'apprendimento supervisionato descrive uno scenario in cui l'esperienza diventa un fattore di addestramento, che contiene informazioni importanti (ad esempio, le etichette "malato/sano" per il rilevamento delle malattie delle piante) che mancano negli "esempi di prova" non visti a cui verrà applicata l'esperienza appresa. In questo scenario, l'esperienza acquisita mira a prevedere le informazioni mancanti per i dati di prova. In questo senso, l'ambiente può essere considerato come un insegnante che supervisiona l'allievo fornendo informazioni aggiuntive sotto forma di etichette. In questo libro si parlerà di modelli di apprendimento automatico supervisionato, attraverso i quali si comprenderanno i fondamenti teorici, alcune descrizioni di domini applicativi e quindi l'implementazione di ciascuno di essi nel laboratorio Jupyter con le librerie pandas e scikit-learn per Python. Inizialmente si comincerà con la Regressione Logistica (classificazione binaria), la Classificazione Multiclasse mediante Regressione Logistica, gli Alberi Decisionali, la Macchina a Vettori di Supporto - SVM (Support Vector Machines), la Foresta Casuale, la Validazione Incrociata K-Fold e infine la Naive B
