Un'introduzione ai principali metodi di Machine Learning dell’apprendimento supervisionato o non supervisionato e agli approcci algoritmici più comuni, incluso l’algoritmo k-nearest neighbor, l’apprendimento basato su alberi di decisione e il deep learning.

IoT Machine Learning Sviluppo

Kubernetes, anche noto come K8s, o Kube, è una piattaforma open-source per la gestione e l’orchestrazione di container, permette cioè di automatizzare il deployment, la scalabilità e la gestione di applicazioni distribuite in container. Il progetto è stato sviluppato da Google che nel 2015 lo ha donato alla Cloud Native Computing Foundation. In questa serie di tutorial vedremo quali sono le potenzialità e i vantaggi di Kubernetes esplorandone uso e funzionamento. Per iniziare andremo ad apprendere i concetti fondamentali di Kubernetes su Minikube facendo cioè esperienza in locale, a seguire esploreremo alcuni casi d’uso di queste tecnologie in Cloud.

Artificial Intelligence IA Intelligenza Artificiale Machine Learning Python

Il mondo si muove seguendo il passo della tecnologia e, negli ultimi dieci anni, la crescita del calcolo automatico è stata straordinaria. Tutti gli ambiti economici, dall’energia alla sanità, dipendono dalla tecnologia per il loro funzionamento. Un campo in forte crescita è l’Intelligenza Artificiale (IA), che sta diventando una delle principali tecniche di sviluppo software. In questa serie di tutorial ci concentreremo sull’apprendimento della programmazione Python e sull’utilizzazione di Python per lo sviluppo di applicazioni IA.

Artificial Intelligence IA Intelligenza Artificiale Machine Learning Pyton

In questo capitolo tratteremo due dei concetti principali del machine learning, la classificazione e il clustering, riferiti a due paradigmi di apprendimento: supervisionato e non supervisionato.

apprendimento classificazione clustering ia intelligenza artificiale machine learning python sklearn

Proseguiamo il nostro percorso iniziato in Machine Learning in Python: Classificazione e Clustering - Parte 1.

apprendimento classificazione clustering ia intelligenza artificiale machine learning python sklearn

La regressione è ampiamente usata sia come strumento statistico sia come algoritmo di apprendimento e la si può descrivere come un metodo parametrico in grado di produrre risultati sulla base dell’analisi delle associazioni tra variabili di input e variabili di output. Generalmente, le variabili in output sono numeri reali. La regressione viene spesso utilizzata per predire valori o pattern.

Machine Learning ML Python Regression

In questo capitolo continuiamo la discussione sulla Regressione iniziata nel capitolo precedente.

Machine Learning ML Python Regression

Finora abbiamo adoperato le tecniche di Classificazione, Clustering, Regressione ed Ensemble Learning per esplorare in dettaglio gli algoritmi usati per fare predizioni sui problemi di Machine Learning. Abbiamo anche visto alcuni metodi per valutare quale algoritmo si adatti meglio a un determinato problema e appeso l’arte di combinare i risultati di più modelli per ottenerne di maggiormente affidabili. In questo capitolo affronteremo un livello più avanzato delle tecniche di predizione e studieremo come predire risultati che dipendono dal tempo.

Machine Learning ML Python Serie Temporali

Proseguiamo il discorso iniziato nella prima parte di questo capitolo sulle Serie Temporali.

Machine Learning ML Python Serie Temporali

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