Vai al contenuto

Applicazioni pratiche di machine learning

Aggiungi collegamenti
Wikibooks, manuali e libri di testo liberi.
Applicazioni pratiche di machine learning
Categoria · Copertina · Sviluppo · Modifica il template
Applicazioni pratiche di machine learningApplicazioni pratiche di machine learning

Previsioni su scommesse sportiveApplicazioni pratiche di machine learning/Previsioni su scommesse sportive Previsioni su azioni, criptovalute, derivatiApplicazioni pratiche di machine learning/Previsioni su azioni, criptovalute, derivati Trovare lavoroApplicazioni pratiche di machine learning/Trovare lavoro Previsioni sul cambiamento climaticoApplicazioni pratiche di machine learning/Previsioni sul cambiamento climatico Previsioni sul livello del mareApplicazioni pratiche di machine learning/Previsioni sul livello del mare Previsioni sulle produzioni agricoleApplicazioni pratiche di machine learning/Previsioni sulle produzioni agricole Riconoscimento della scrittura a manoApplicazioni pratiche di machine learning/Riconoscimento della scrittura a mano Previsioni sugli incendiApplicazioni pratiche di machine learning/Previsioni sugli incendi Diagnosi di malattieApplicazioni pratiche di machine learning/Diagnosi di malattie Diagnosi di malattie mentaliApplicazioni pratiche di machine learning/Diagnosi di malattie mentali Identificazione delle pulsarApplicazioni pratiche di machine learning/Identificazione delle pulsar Identificazione dei social botApplicazioni pratiche di machine learning/Identificazione dei social bot Approvazione carte di creditoApplicazioni pratiche di machine learning/Approvazione carte di credito Previsione di reatiApplicazioni pratiche di machine learning/Previsione di reati Concessione sussidiApplicazioni pratiche di machine learning/Concessione sussidi Previsione di vendite futureApplicazioni pratiche di machine learning/Previsione di vendite future Segmentazione dei clientiApplicazioni pratiche di machine learning/Segmentazione dei clienti Previsioni su direct mailApplicazioni pratiche di machine learning/Previsioni su direct mail Installazione di RApplicazioni pratiche di machine learning/Installazione di R Creare reports in RStudioApplicazioni pratiche di machine learning/Creare reports in RStudio Creare reports in JupyterApplicazioni pratiche di machine learning/Creare reports in Jupyter

ChatGpt come data analyst o data scientistApplicazioni pratiche di machine learning/ChatGpt come data analyst o data scientist

Il machine learning o apprendimento automatico è una branca dell'intelligenza artificiale, che costruisce un modello matematico a partire dai dati di un campione detto "training set", al fine di effettuare previsioni o prendere decisioni su ulteriori dati forniti. Il machine learning consente di apprendere e migliorare automaticamente nelle previsioni attraverso i dati che gli vengono proposti.

Questo libro contiene alcuni reports, dove si utilizzano algoritmi di machine learning nel linguaggio di programmazione R, utilizzando l'IDE RStudio, per fare previsioni esemplificative su argomenti di utilità generale.

Inoltre in alcune pagine del libro come Previsioni sugli incendi, Previsioni su scommesse sportive e Previsioni su azioni, criptovalute ecc. si sono creati modelli previsionali nel linguaggio di programmazione Python utilizzando le librerie Pandas per la gestione dei dataset e scikit-learn per la creazione dei modelli previsionali utilizzando algoritmi come RandomForest, Gradient Bosting ecc. e la libreria Prophet per le serie storiche. Come ambiente di sviluppo per Python si è utilizzato Jupyter.

Le principali librerie in R utilizzate nei reports del libro sono le seguenti:

  • base: contiene le funzioni di base di R: aritmetiche,input/output, programmazione di base ecc. Questa libreria viene caricata automaticamente all'avvio di R.
  • stats: contiene funzioni per calcoli statistici e generazione di numeri casuali. Anche questa libreria viene caricata automaticamente all'avvio di R .
  • dplyr: fornisce una grammatica flessibile per manipolare e interrogare i data frames e quindi i dataset. In sostanza è l'equivalente di SQL per realizzare delle query direttamente nei dataset.
  • ggplot2: da la possibilità di ottenere eleganti visualizzazioni dei dati, spesso ottenuti tramite dplyr, con grafici di qualunque tipo (istogrammi,boxplot, scatterplot, grafici a barre, serie storiche ecc.)
  • caret: contiene funzioni per creare modelli di machine learning relativi a problemi complessi di regressione o classificazione. Le principali funzioni sono train che crea proprio il modello, createDataPartition che suddivide i dati in un training ed in un testing set, confusionMatrix che crea la matrice di confusione e fornisce fondamentali informazioni nei problemi di classificazione quali Accuracy, Sensitivity, Specificity ecc.
  • h2o: l' H2OAutoML-class di questa libreria è in grado di trovare il migliore algoritmo di machine learning per minimizzare gli errori nei problemi di regressione e ottenere l'Accuracy,l'AUC ecc maggiori nei problemi di classificazione.

I principali algoritmi di machine learning utilizzati nei reports sono :

Altri Wikibooks

[modifica | modifica sorgente]

Estratto da "https://it.wikibooks.org/w/index.php?title=Applicazioni_pratiche_di_machine_learning&oldid=435232"