Un'introduzione algebrico-statistica al machine learning

Ciro Caramiello, Ph.D. Process and Data Modelling

In questa sessione sono presi in considerazione i principali concetti algebrici e statistici necessari per affrontare con maggiore cognizione di causa lo studio del Machine Learning (ML) e, più in generale, di tutte quelle discipline a vario titolo legate al mondo dell’Artificial Intelligence (AI).  Partendo dalla geometrizzazione degli spazi delle KPV (Key Process Variables), con la potenza del continuo e/o semplicemente categorici, è possibile con un approccio di tipo algebrico definire in maniera precisa e strutturata le basi di dati su cui lavoreranno tutti gli algoritmi di ML/AI. L’inquadramento di tutti problemi dal punto di vista delle funzioni vettoriali (vector valued functions) risulta importante per introdurre concetti fondamentali relativi all’ottimizzazione multivariata (nel senso di Pareto), alla varianza multivariata, al principio di sovrapponibilità degli effetti e così via. L’idea di riduzione delle dimensioni degli spazi delle KPV mediante strumenti specifici (SVD, PCA, ICA, NLPCA, etc.) risulta fondamentale per l’ulteriore semplificazione di idee e concetti che possano rendere più sicuro ed efficiente comprendere e padroneggiare gli strumenti della AI. 
Si segnala che, in virtù del jobs act lavoratori autonomi, anche per l'anno 2020 sono integralmente deducibili, entro il limite annuo di 10.000 euro (iva esclusa), le spese per l’iscrizione a corsi di formazione o di aggiornamento professionale nonché le spese di iscrizione a convegni e congressi. La norma si applica a tutti i lavoratori autonomi/professionisti (anche non ordinistici) e nelle agevolazioni rientrano tutte le spese di carattere "professionale”.