Data Mining 2025/2026

Settimana 01 – Introduzione al ML + K-Nearest Neighbors (KNN)
Concetti base + primo modello semplice e intuitivo.

Settimana 02 – Alberi Decisionali e Foreste Casuali
Modelli interpretabili e potenti, introduzione all’ensemble learning.

Settimana 03 – Preprocessing e Bilanciamento Dati
Preparazione dei dati reali: scaling, codifica, dati sbilanciati.

Settimana 04 – Regolarizzazione e Feature Selection
Controllo della complessità del modello, selezione automatica delle variabili.

Settimana 05 – Riduzione della dimensionalità con PCA
Visualizzazione e compressione dell’informazione.

Settimana 06 – Valutazione Modelli e Iperparametri
Metriche, validazione incrociata, ottimizzazione iperparametri.

Settimana 07 – Regressione (lineare, polinomiale, Lasso/Ridge)
Modelli predittivi per variabili continue.

Settimana 08 – Perceptron e Adaline
Inizio dei modelli lineari “neurali”, primi concetti di ottimizzazione.

Settimana 09 – Regressione Logistica e SGD
Dalla classificazione lineare al concetto di probabilità e perdita logistica.

Settimana 10 – SVM e Kernel Methods
Margine massimo, hinge loss e kernel trick.

Settimana 11 – Reti Neurali Artificiali e Backpropagation
Modelli multilivello, retropropagazione e funzioni di attivazione.

Settimana 12 – Clustering e DBSCAN
Apprendimento non supervisionato e scoperta di strutture nei dati.

---

Fonte: GOMP