Cosa trovi in questa documentazione
Ogni sezione è autocontenuta. Leggi nell'ordine se vuoi una progressione didattica, oppure salta direttamente all'argomento che ti serve.
📚
Teoria, spiegata bene
Cinque articoli che costruiscono progressivamente la conoscenza: regressione lineare, regolarizzazione, modelli tree-based, metriche e prevenzione del data leakage. Con LaTeX e codice eseguibile.
Esplora la teoria⚙️
Pipeline production-ready
Codice modulare in Python con scikit-learn e XGBoost, ColumnTransformer per il preprocessing, TransformedTargetRegressor sul log-target, tuning K-fold riproducibile e CLI ames-train --quick.
🎯
Trade-off documentati
Ogni scelta è motivata: perché Ridge come baseline, perché XGBoost come challenger, quali iperparametri tunare, come interpretare le metriche e dove sono i limiti del modello.
Leggi le decisioni