https://automataia.github.io/AutoGnosis/ Recent content on Automata Hugo -- gohugo.io en-us Thu, 27 Feb 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/predizione-correntisti-morosi/ Thu, 27 Feb 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/predizione-correntisti-morosi/ Presentazione Avvio presentazione fullscreen Notebook 2. Raccolta dati ► 2.1. Identificazione delle fonti dati ► 2.2. Selezione delle fonti dati Il dataset in questione contiene informazioni relative a diversi clienti di una banca. Ogni cliente è identificato da un ID univoco, e sono registrati diversi attributi a loro associati. Tra questi attributi, troviamo il LIMIT_BAL, ovvero l’importo di credito concesso al cliente, espresso in NT dollars. Viene inoltre registrato il GENERE del cliente, indicato tramite il valore 1 per il genere maschile e 2 per quello femminile. https://automataia.github.io/AutoGnosis/post/classificatore-di-immagine-cnn/ Wed, 29 Jan 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/classificatore-di-immagine-cnn/ Presentazione Avvio presentazione fullscreen Notebook import torchvision.transforms as transforms import torchvision import torch import torch.optim as optim import torch.nn.functional as F import matplotlib.pyplot as plt from IPython.display import clear_output transform = transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = torchvision.datasets.FashionMNIST(root='data/', train=True, download=True, transform=transform) test_dataset = torchvision.datasets.FashionMNIST(root='data/', train=False, download=True, transform=transform) val_ratio = 0.2 val_size = int(val_ratio * len(train_dataset)) train_size = len(train_dataset) - val_size train_dataset, val_dataset = torch.utils.data.random_split(train_dataset, [train_size, val_size]) import torch.nn as nn class GrayScaleCNN(nn. https://automataia.github.io/AutoGnosis/post/predizione-costo-immobili-in-new-taipei/ Mon, 27 Jan 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/predizione-costo-immobili-in-new-taipei/ Presentazione Avvio presentazione fullscreen Notebook 2. Raccolta dati ► 2.1. Identificazione delle fonti dati ► 2.2. Selezione delle fonti dati # installo il pachetto per aprire il file xlsx !pip install openpyxl import pandas as pd # Adatto l'output stampato a schermo alla larghezza attuale della finestra from IPython.display import display, HTML display(HTML("<style>.container { width:100% !important; }</style>")) pd.set_option("display.width", 1000) # Cambio la palette dei colori standard per adattarli alla palette del sito import matplotlib # definire i colori specificati dall'utente colors = ["#0077b5", "#7cb82f", "#dd5143", "#00aeb3", "#8d6cab", "#edb220", "#262626"] # cambiare la palette di colori di default matplotlib. https://automataia.github.io/AutoGnosis/post/reinforcing-learning-imparare-una-ricetta/ Mon, 27 Jan 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/reinforcing-learning-imparare-una-ricetta/ Avvio presentazione fullscreen Introduzione al problema Lo script Python che ho scritto utilizza l’algoritmo di apprendimento rinforzato “Q-learning” per risolvere un problema di esplorazione di uno spazio di stati. L’agente deve esplorare l’ambiente di gioco, prendere decisioni in ogni stato e massimizzare la sua ricompensa complessiva, seguendo una politica di scelta delle azioni che si basa sul valore Q degli stati e delle azioni possibili. L’output dello script mostra la sequenza di azioni scelte dall’agente durante la sua esplorazione dell’ambiente di gioco, fino a raggiungere lo stato finale desiderato. https://automataia.github.io/AutoGnosis/notes/change3/ Sun, 12 Jan 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/notes/change3/ Appunti con esempi per l’uso e la comprensione di Apache Spark in Python: Introduzione a Apache Spark Architettura di Apache Spark Installazione e configurazione di Apache Spark SparkSQL: l’interfaccia SQL di Spark DataFrames e Dataset in Spark Spark Streaming: l’elaborazione di dati in tempo reale Spark MLlib: libreria per il machine learning in Spark Spark GraphX: libreria per l’elaborazione di grafi in Spark Apache Spark e Hadoop: integrazione con l’Hadoop Distributed File System (HDFS) Gestione della distribuzione dei dati e del carico di lavoro in Spark Debugging e ottimizzazione di applicazioni Spark Utilizzo di Spark con altri framework e tecnologie (ad es. https://automataia.github.io/AutoGnosis/post/sentiment-analysis-using-transformers/ Sun, 12 Jan 2020 00:00:00 +0000 https://automataia.github.io/AutoGnosis/post/sentiment-analysis-using-transformers/ Costruire un classificatore di sentiment Introduzione ai Transformers L’analisi del sentiment è un tipo di problema dell’elaborazione del linguaggio naturale che consiste nel determinare se un testo ha un sentiment positivo o negativo. Questo compito non è così facile come si potrebbe pensare, perché il linguaggio è per definizione molto intricato e complesso. Ciò è ancora più accentuato in questo tipo di insiemi di dati in cui si vuole valutare il sentiment sulla base di una recensione a testo libero, in quanto l’utente può scriverci qualsiasi cosa decida.