Statistica per IA.Capire cosa dicono davvero i numeri prima di costruirci sopra un modello, e riconoscere quando un risultato non significa nulla.

Si comincia dal guardare i dati per quello che sono. Media, mediana e moda — e quando usare l'una invece dell'altra — varianza e deviazione standard, e i grafici: istogrammi, boxplot, scatterplot, heatmap. Impari a leggere una correlazione e a riconoscere gli outlier con lo z-score. Poi la probabilità, quaranta ore. Probabilità condizionata, il teorema di Bayes con le sue applicazioni concrete nell'IA — i filtri antispam, la diagnosi medica — le distribuzioni normale, binomiale e di Poisson, e i due risultati che tengono in piedi il resto: la legge dei grandi numeri e il teorema del limite centrale. L'inferenza è la parte che ti fa passare dal campione alla popolazione: intervalli di confidenza, test di ipotesi, t-test e ANOVA, chi-quadrato e test non parametrici. Molto tempo va sull'interpretazione corretta del p-value e sugli abusi che se ne fanno: è lì che si sbaglia più spesso. Si chiude con i modelli predittivi: regressione lineare semplice e multipla, regressione logistica per la classificazione, la diagnosi dell'overfitting, il train/test split e la cross-validation. E il collegamento esplicito all'IA: la statistica che sta sotto agli alberi decisionali e alle reti neurali.