Abbiamo raggiunto il capitolo conclusivo del nostro primo viaggio nel machine learning. In questo capitolo, intraprenderemo il nostro primo progetto di Machine Learning: affronteremo un problema reale e proveremo a risolverlo usando algoritmi di ML. Per ottenere la miglior soluzione possibile eseguiremo una quantità significativa di pre-processing e di pulizia dei dati in modo da renderli pronti per l’analisi.

Machine Learning ML Python

Continuiamo quanto iniziato nel capitolo precedente.
Abbiamo approcciato un primo caso di studio sul Machine Learning e a lavorare sul dataset Ames Housing.
Abbiamo applicato tecniche di EDA ed effettuato alcuni test statistici sui dati.
Ora proseguiamo la nostra analisi.

Machine Learning ML Python

Abbiamo iniziato a far pratica nell’Intelligenza Artificiale con l’analisi dei dati e il Machine Learning. Negli ultimi sei capitoli siamo passati dai concetti fondamentali del Machine Learning alla risoluzione di un caso d’uso reale come la predizione dei prezzi di vendita di proprietà immobiliari. L’IA e il ML vanno di pari passo ed è arrivato il momento di proseguire il nostro percorso. Nei prossimi capitoli vedremo vari altri concetti dell’Intelligenza Artificiale che ruotano intorno alle scienze cognitive come il discorso parlato, la scrittura e altro.

IA Intelligenza Artificiale Programmazione Logica Python

Negli ultimi sette capitoli abbiamo esplorato concetti dalla programmazione in Python all’implementazione di diverse tecniche matematiche per il machine learning. Ora, per proseguire il cammino nell’intelligenza artificiale, andiamo ad applicare le tecniche di Programmazione Logica che abbiamo appreso nel capitolo precedente e a operare sul Natural Language Processing.

Natural Language Processing NLP Python

In questo capitolo mostreremo un’implementazione di Natural Language Processing attraverso un caso di studio che tratterà il sentiment dei passeggeri di un volo. Nel nostro primo caso di studio avevamo realizzato una pipeline di machine learning che andava dall’acquisizione dei dati all’esecuzione delle previsioni. In quest’analisi, invece, presenteremo una pipeline simile con l’aggiunta di una parte di elaborazione di dati testuali. Useremo anche le librerie discusse nel capitolo precedente, inoltre impareremo il concetto di vettorizzazione dei dati di testo in dati numerici. L’obiettivo del Natural Language Processing (NLP) è lavorare con dati testuali, cioè basati su stringhe di testo, e fare analisi su di essi. In questo capitolo ci concentreremo sulla realizzazione di previsioni e sulla costruzione di categorizzazioni a partire da testi.

IA Intelligenza Artificiale Natural Language Processing NLP Python

Il parlato è la più basilare e primitiva forma di comunicazione tra esseri umani ed è anche parte vitale nel processo di comprensione del comportamento umano. Nell’intelligenza artificiale, il riconoscimento vocale, o Speech Recognition è una tecnica sviluppata con l’obiettivo di far capire ai programmi il linguaggio umano sotto forma di discorso parlato. Dopo aver studiato il Natural Language Processing (NLP) negli scorsi capitoli, ora prestiamo attenzione ai sistemi di riconoscimento del linguaggio parlato. In questo capitolo, quindi, ci concentriamo sullo Speech Recognition.

Python Riconoscimento Vocale

Negli ultimi capitoli ci siamo spostati dallo studio del Machine Learning allo studio dell’elaborazione di dati creati dagli esseri umani, cioè la voce, il linguaggio e il testo. Nel linguaggio scientifico, queste funzioni, che caratterizzano direttamente l’essenza umana, vengono chiamate funzioni cognitive, e nell’ambito dell’IA si parla di Intelligenza Cognitiva. Ad oggi esistono numerosi algoritmi che sono in grado di elaborare facilmente dati cognitivi come il linguaggio umano, la scrittura a mano o i volti. In questo capitolo, ci concentreremo su una componente veramente unica della cognizione umana: la vista. La Computer Vision è la scienza degli algoritmi di calcolo che lavorano su immagini e video. Poiché questi tipi di input sono ancora più distanti dagli input numerici che le macchine sono solite gestire, abbiamo bisogno di algoritmi ad hoc per elaborarli. Insieme alle librerie di Computer Vision come OpenCV, che calcolano direttamente questi dati, in questo capitolo andremo anche dietro le quinte per capire come funzionano gli algoritmi cognitivi. Osserveremo diverse tecniche di ricerca che permettono di lavorare con immagini e video. Oltre agli algoritmi di ricerca, esiste anche una parte dell’IA, chiamata Genetic Algorithms (GA), che pone l’enfasi sul miglioramento delle prestazioni cognitive dei sistemi.

Computer Vision Python

Durante gli ultimi quattro capitoli di questa serie abbiamo lavorato con il linguaggio, anche parlato, e con le immagini. Gli argomenti presentati più di recente in questa serie ruotano intorno ai concetti chiave della Computer Vision. Continueremo a parlare di Computer Vision per approfondire l’elaborazione delle immagini con lo scopo di indagare il comportamento umano. Si vuole imitare, cioè, il processo del ragionamento umano usando dati di training sotto forma di immagini e video di persone e cercare di distinguere le emozioni presenti in questi dati. Per la nostra analisi, in questo capitolo ci concentreremo su immagini e video preregistrati che mostrano ciascuno un’emozione, ma ricordiamo che le stesse tecniche si possono implementare anche su stream di video per fare analisi in tempo reale. Andando avanti in questo capitolo capiremo meglio alcuni concetti di pensiero umano attraverso la Sentiment Analysis dalle espressioni facciali e varie librerie e strutture di supporto per l’esecuzione di questi algoritmi. Prima di proseguire spenderemo ancora qualche parola sulla Computer Vision e il suo ruolo nell’universo dell’IA.

Computer Vision Python