<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[ProfessionAI - Medium]]></title>
        <description><![CDATA[Impara oggi la professione di domani! ProfessionAI è la prima piattaforma in italiana che ti permette di diventare un professionista dell’Intelligenza Artificiale online. - Medium]]></description>
        <link>https://medium.com/professionai?source=rss----4f29aa7b7f18---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>ProfessionAI - Medium</title>
            <link>https://medium.com/professionai?source=rss----4f29aa7b7f18---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 15:15:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/professionai" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[La tua prima classificazione]]></title>
            <link>https://medium.com/professionai/la-tua-prima-classificazione-edec2b8b5a01?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/edec2b8b5a01</guid>
            <category><![CDATA[intelligenza-artificiale]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[apprendimento-automatico]]></category>
            <category><![CDATA[supervised-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Fri, 14 Sep 2018 09:34:02 GMT</pubDate>
            <atom:updated>2018-09-17T10:13:08.808Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o7HTJ6nbUnEht9hxn5FIJw.jpeg" /></figure><p>La classificazione è, insieme alla regressione di cui già abbiamo parlato <a href="http://blog.profession.ai/la-tua-prima-regressione/">qui</a>, uno dei due problemi principali dell’apprendimento supervisionato, la branca del machine learning che si occupa di insegnare ai computer come risolvere determinati problemi mostrandogli esempi di come questi sono già stati risolti in passato.</p><p>Matematicamente il problema dell’apprendimento supervisionato può essere ridotto a:</p><blockquote>“ho una o più variabili indipendenti x e una variabile dipendente y, devo trovare una funzione f tale che f(x) sia uguale a y”.</blockquote><p>Niente di più, niente di meno.</p><p>In gergo tecnico l’insieme delle varibili indipendenti x vengono chiamate <strong>features</strong> e la varibile y viene chiamata <strong>target</strong>.<br><br>La differenza principale tra regressione e classificazione è:</p><ul><li>In un problema di regressione la variabile y è continua, cioè un numero qualsiasi appartenente all’insieme dei numeri reali.</li><li>In un problema di classificazione la variabile y è categoria, ovvero un insieme finito di valori, i cosidetti labels, che solitamente rappresentano l’appartenenza ad una classe.</li></ul><p>Alcuni problemi che possono essere affrontati con un modello di classificazione sono ad esempio:</p><ul><li>Riconoscere oggetti nelle foto.</li><li>Effettuare diagnosi cliniche.</li><li>Comprendere lo stato d’animo di una persona da un tweet.</li></ul><p>Un semplice problema di classificazione con due features e due classi può essere rappresentato geometricamente come trovare l’equazione della retta che meglio riesce a dividere le due classi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PMbG6U80iwVnSvrvNlWeFw.png" /><figcaption>Esempio di modello di classificazione per classificare un tumore come benigno o maligno in base al numero di punti di concavità e valore medio del raggio, la retta che separa le classi è chiamata confine di decisione (decision boundary)</figcaption></figure><p>Quando le classi da predire sono solo due si parla di classificazione binaria, in questi casi il modello non fa altro che rispondere con un si o con un no</p><ul><li>E’ un gatto nella foto ? SI/NO</li><li>Ha il paziente la varicella ? SI/NO</li><li>La persona che ha scritto questo tweet è incazzata ? SI/NO</li></ul><p>Il si equivale ad un valore 1 e viene considerato come la classe positiva, al contrario il no equivale ad un valore 0 ed è la classe negativa.</p><h4>Usare il Machine Learning per riconoscere un tumore maligno</h4><p>In questo articolo proveremo a eseguire una classificazione binaria per classificare tumori al seno come benigni o maligni, basandoci su alcune proprietà estratte da immagini digitalizzate. A tale scopo utilizzeremo il <a href="https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)">Wisconsis Breast Cancer Dataset</a>. Partiamo !</p><p>Per prima cosa importiamo i vari moduli che ci serviranno. Numpy: la libreria Python per il calcolo numerico.</p><ul><li><a href="http://bit.ly/2Ndaldh"><strong>Numpy</strong>: la libreria Python per il calcolo numerico.</a></li><li><a href="http://bit.ly/2OnObS7"><strong>Pandas</strong>: libreria Python per analisi e manipolazione di dati.</a></li><li><a href="http://bit.ly/2CU8MfG"><strong>Matplotlib</strong>: una libreria Python che permette di creare grafici e visualizzazioni con poche righe di codice.</a></li><li><a href="https://www.udemy.com/machine-learning-pratico/?couponCode=MEDIUM_READER"><strong>Scikit-learn</strong>: una libreria Python che contiene classi per il preprocessing dei dati e la creazione di modelli di machine learning.</a></li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/40148e1b3cc67b785efb62b3e5d7543f/href">https://medium.com/media/40148e1b3cc67b785efb62b3e5d7543f/href</a></iframe><p>Utilizzando Pandas importiamo il dataset direttamente dalla repo all’interno di un <em>DataFrame</em>, una speciale struttura dati che permette di immagazzinare dati in maniera tabulare.<br><br>Purtroppo ci tocca definire manualmente i nomi di tutte le colonne.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/5173797f1c10402117613564292f8cc4/href">https://medium.com/media/5173797f1c10402117613564292f8cc4/href</a></iframe><p>Il metodo <em>head</em> mostra le prime 5 righe del DataFrame, una cosa del genere:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pYjDMnCRiCWkN0CO1FA02g.png" /></figure><p>Tramite il metodo <em>info </em>del DataFrame possiamo visualizzare diverse informazioni sulle varie colonne.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/04a5270f851bbd7c200dc88c916fe2fa/href">https://medium.com/media/04a5270f851bbd7c200dc88c916fe2fa/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RrsQmLAXWkZMvRk1Xvx-Og.png" /></figure><p>Il dataset contiene 32 colonne, 1 di queste, <em>diagnosis</em>, è il nostro target, mentre le altre sono potenziali features, tranne <em>id</em>, di questo non ce ne facciamo nulla.<br>Osserva bene che il tipo di diagnosis è object, mentre tutte le altre colonne contengono numeri.</p><p>Utilizzando il metodo <em>unique</em> possiamo osservare gli elementi unici contenuti in diagnosis.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b3ff82b4ddb6e10e75ba15b7a616162a/href">https://medium.com/media/b3ff82b4ddb6e10e75ba15b7a616162a/href</a></iframe><p>Il risultato mostrerà che la colonna è composta da due valori: M e B, che sono dei label indicanti rispettivamente un tumore maligno e uno benigno.</p><h3>Classificazione con due features</h3><p>Siccome il nostro obiettivo è sviluppare un modello semplice, selezioniamo solo due colonne e promuoviamole a features del nostro modello, optiamo per le seguenti:</p><ul><li><strong>radius_se</strong>: l’errore standard del raggio del tumore</li><li><strong>concave points_worst</strong>: il numero peggiore di punti di concavità nel contorno del tumore.</li></ul><p>Adesso creiamo due array numpy, uno contenente le features e l’altro il target.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/84f29619966ff0b6de650677d729477f/href">https://medium.com/media/84f29619966ff0b6de650677d729477f/href</a></iframe><p>Per poter valutare la qualità del nostro modello dobbiamo suddividere il nostro dataset in 2 set differenti:</p><ul><li><strong>Train set</strong>: che ci servirà per addestrare il modello.</li><li><strong>Test set</strong>: che ci servirà per testarlo.</li></ul><p>Questa suddivisione è necessaria per verificare che il modello abbia effettivamente imparato qualcosa e che sia in grado di generalizzare su dati non visti durante l’addestramento.<br>Possiamo eseguire la suddivisione utilizzando la funzione train_test_split, assegnando il 70% dei dati al train set e il 30% al test set.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/7346a139f478009198fad378ac58e290/href">https://medium.com/media/7346a139f478009198fad378ac58e290/href</a></iframe><p>Ricorderai che la colonna diagnosis contiene dei caratteri, ma a noi servono dei numeri !<br>Una tecnica da adoperare in questi casi è codificare gli oggetti sotto forma di numeri, nel nostro caso la codifica che andremo a fare è la seguente:</p><ul><li>M =&gt; Classe positiva = 1</li><li>B =&gt; Classe negativa = 0</li></ul><p>Per farlo possiamo utilizzare la classe <em>LabelEncoder</em>.<br>LabelEncoder appartiene alla categoria dei trasformatori di scikit-learn, che si occupano di eseguire trasformazioni i dati.</p><p>Un trasformatore viene inizializzato con il metodo <em>fit</em>, che si occupa di effettuare tutti i calcoli necessari per poi poter eseguire la trasformazione utilizzando il metodo <em>transform</em>.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/642a7b39e6ed4aa2ff70260a82ff2db2/href">https://medium.com/media/642a7b39e6ed4aa2ff70260a82ff2db2/href</a></iframe><p>La classe <em>fit_transform</em> è una scorciatoia che equivale a chiamare prima <em>fit</em> <br> e poi <em>transform</em> sui dati passati come parametro.</p><p>Prima di costruire il modello dobbiamo essere sicuri che i dati siano sulla stessa scala, altrimenti si rischia che questo attribuisca maggiore importanza alle features con magnitudine maggiore.</p><p>Riprendiamo un momento il nostro DataFrame, selezioniamo solo le nostre due features e utilizziamo il metodo <em>describe</em> per ottenere le informazioni statistiche (in alternativa avremmo potuto utilizzare le funzioni np.min e np.max sui nostri array numpy)</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/5f8bfc2375736f716b652eea081ff82e/href">https://medium.com/media/5f8bfc2375736f716b652eea081ff82e/href</a></iframe><p>L’output sarà questo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/714/1*UjnYYrdw9m9KGCk3WO3tkw.png" /></figure><p>Osservando i valori minimi e massimi delle due colonne puoi vedere che la colonna radius_se si trova in un range di valore 10 volte superiore rispetto a concave points_worst.<br>Per portare le features su di una scala comune abbiamo due possibilità:</p><ul><li><strong>Normalizzare</strong>: portare tutti i dati in un range compreso tra 0 e 1.</li><li><strong>Standardizzare</strong>: creare una distribuzione normale, cioè con media 0 e deviazione standard 1.</li></ul><p>Optiamo per la standardizzazione, possiamo eseguirla utilizzando la classe trasformatore <em>StandardScaler</em> di scikit-learn.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/21f799dbf9c484dd8faa87e6116d02b1/href">https://medium.com/media/21f799dbf9c484dd8faa87e6116d02b1/href</a></iframe><p>Adesso siamo pronti per creare il nostro modello di classificazione.</p><p>Il modello che implementeremo è la regressione logistica, che oltre alla classe di appartenenza ritorna anche la probabilità di quanto la classificazione sia corretta.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/74ac452d18be7b53d38fa92391067b09/href">https://medium.com/media/74ac452d18be7b53d38fa92391067b09/href</a></iframe><p>Abbiamo il nostro modello ! E ora ?</p><p>Adesso dobbiamo valutare quanto effettivamente sia buono, per farlo possiamo utilizzare il test set e due metriche:</p><ul><li><strong>Accuracy</strong>: semplicemente conta quante delle classificazioni fatte dal modello sono corrette, ritorna un valore tra 0 e 1, maggiore è meglio</li><li><strong>Negative Log-likelihood (aka log loss)</strong>: tiene conto della probabilità, ritorna un valore tra 0 ed 1, minore è meglio.</li></ul><p>Entrambe le funzioni sono implementate in scikit-learn</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/3b4010524beb44fdab2dc1a5f1654e4a/href">https://medium.com/media/3b4010524beb44fdab2dc1a5f1654e4a/href</a></iframe><p>Se hai fatto tutto come me, i risultati dovrebbero essere:</p><ul><li>ACCURACY = 0.9064</li><li>LOG LOSS = 0.215</li></ul><p>Trattandosi di un modello estremamente semplice, con sole due features, i risultati sono molto buoni.</p><p>Visualizziamo graficamente il decision boundary all’interno di uno scatter plot.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b3c6212ae7bb83801d82b97a23277a89/href">https://medium.com/media/b3c6212ae7bb83801d82b97a23277a89/href</a></iframe><p>Ed eccolo qui:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3V-Hh4KXNIyZiXU1DH6aJw.jpeg" /><figcaption>A destra il decision boundary per il train set, a sinistra quello per il test set, i tumori maligni sono evidenziati in rosso, quelli benigni in verde.</figcaption></figure><p>La funzione <em>showBounds</em> è abbastanza complessa e spiegarla riga per riga porterebbe via troppo tempo, in sostanza quello che fa è:</p><ul><li>Creare uno scatterplot con gli esempi corrispondenti a tumori maligni (in rosso).</li><li>Creare uno scatterplot con gli esempi corrispondenti a tumori benigni (in verde)</li><li>Eseguire una predizione per ogni punto del grafico, ricorda che l’asse delle x corrisponde alla feature <em>radius_se</em>, mentre quella delle y alla feature <em>concave points_worst</em>, se il punto viene classificato come maligno allora lo colora di marroncino, se invece viene classificato come benigno lo colora di azzurro, il confine che separa i due colori è il <strong>decision boundary</strong>.</li></ul><p>Se vuoi una spiegazione più dettagliata fammelo sapere nei commenti :).</p><h3>Classificazione con tutte le features</h3><p>Vediamo un po’ cosa accade sfruttando tutte le colonne del dataset originale come features.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0a828542e069c599796db8a710fd5901/href">https://medium.com/media/0a828542e069c599796db8a710fd5901/href</a></iframe><p>I risultati sono:</p><ul><li>ACCURACY = 0.965</li><li>LOG LOSS = 0.11</li></ul><p>Avendo più informazioni a disposizione, il modello addestrato con tutte le features è notevolmente migliore, questo dimostra il ruolo <strong>fondamentale</strong> che hanno i dati nel machine learning.<strong>Trovi il notebook eseguibile con il tutto il codice presente nell’articolo sulla </strong><a href="https://github.com/ProfAI/tutorials/blob/master/La%20tua%20prima%20classificazione/la_prima_classificazione.ipynb"><strong>repository Github dei tutorial di ProfessionAI</strong></a><strong>.</strong></p><p><a href="http://blog.profession.ai/cosa-e-il-data-science/"><em>Questo articolo è stato originariamente pubblicato sul blog di ProfessionAI</em></a><em>, la prima piattaforma italiana per la formazione online nelle varie discipline legate all’Intelligenza Artificiale, come machine learning, deep learning e data science.</em></p><p><em>Ti interessa il Machine Learning ? Se vuoi approfondire più nel dettaglio la regressione e altri argomenti come classificazione e clustering allora dai uno sguardo al nostro</em><a href="http://hyperurl.co/ML00MD"><strong><em> Corso Pratico sul Machine Learning con Python</em></strong></a><strong><em>,</em></strong><em> disponbile su Udemy a soli 9.90 € per un periodo di tempo limitato.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=edec2b8b5a01" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/la-tua-prima-classificazione-edec2b8b5a01">La tua prima classificazione</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La tua prima regressione]]></title>
            <link>https://medium.com/professionai/la-regressione-%C3%A8-uno-dei-due-principali-problemi-dellapprendimento-supervisionato-la-branca-del-f9531e9e60d5?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/f9531e9e60d5</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[intelligence-artificielle]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Tue, 14 Aug 2018 10:14:06 GMT</pubDate>
            <atom:updated>2018-09-14T10:48:50.049Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cBySPIQR4zgCC-ezQHluwA.jpeg" /></figure><p>La regressione è uno dei due principali problemi <strong>dell’apprendimento supervisionato</strong>, la branca del machine learning che vuole insegnare ai computer a risolvere un determinato problema mostrandogli come questo problema è stato già risolto in passato.</p><p><strong>Intuitivamente</strong> la regressione consente di trovare la relazione tra input e output, in modo da predire output futuri avendo a disposizione solamente l’input.</p><p>Ad esempio, avendo a disposizione un set di dati contenente le specifiche di diversi smartphone e il relativo prezzo di listino, potremmo utilizzare la regressione per predire a che prezzo potrà essere venduto un nuovo smartphone basandosi sulle sue specifiche.</p><p>Altri esempi molto più comuni sono il provare a predire il valore futuro di un titolo in borsa in base ai valori passati, provare a predire l’affluenza di utenti al blog in base ai contenuti di un articolo che si vuole pubblicare o il numero di nuovi iscritti in base a delle campagne di advertising in pianificazione.</p><p><strong>Matematicamente</strong> la regressione può essere intesa come il trovare la funzione che meglio approssima la relazione tra la variabile dipendente X (l’input) e la variabile indipendente Y (l’output).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/0*kjEoVyQVxmNSC389.gif" /><figcaption>Nel caso di una regressione lineare la funzione che è un semplice polinomio.</figcaption></figure><p><strong>Graficamente</strong> questa relazione lineare può essere rappresentata come una retta che passa il più vicino possibile a tutti i punti costituiti da input X e output Y.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*OGHigS9WmuQ_vxnC.jpg" /></figure><h3>Predire il valore di un’abitazione</h3><p>Per questo primo esempio utilizzeremo il popolarissimo <strong>Boston Housing Dataset</strong>, un dataset contenente diverse informazioni riguardo alcune alcune abitazioni nei dintorni di Boston.</p><p>Un dataset strutturato si può presentare in diversi formati: CSV, TSV, XML, HTTP, JSON, EXCEL eccetera, in ogni caso questo ha una struttura tabulare.</p><ul><li>Una delle colonne della tabella è il valore che vogliamo addestrare il nostro modello a predire e prende il nome di <strong>target</strong>.</li><li>Tutte le altre colonne sono proprietà che possiamo potenzialmente usare per creare il nostro modello, purché abbiano una relazione con il target, e vengono chiamate <strong>features</strong>.</li></ul><p><strong>Pandas</strong> è una libreria Python sviluppata appositamente per chi lavora con i dati e mette a disposizione una particolare struttura dati chiamata <strong>DataFrame</strong> che si presta particolarmente bene a contenere dati in forma tabulare.</p><p>Carichiamo il Boston Housing Dataset all’interno di un DataFrame utilizzando la funzione <em>read_csv</em>, seguita dal metodo <em>head</em> del DataFrame per vedere le sue prime 5 righe.</p><pre>import pandas as pd <br>boston = pd.read_csv(&quot;https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data&quot;, <br>sep=&#39;\s+&#39;, names=[&quot;CRIM&quot;,&quot;ZN&quot;,&quot;INDUS&quot;,&quot;CHAS&quot;,&quot;NOX&quot;,&quot;RM&quot;,&quot;AGE&quot;,&quot;DIS&quot;,&quot;RAD&quot;,&quot;TAX&quot;,&quot;PRATIO&quot;,&quot;B&quot;,&quot;LSTAT&quot;,&quot;MEDV&quot;]) <br>boston.head() </pre><p>Il DataFrame avrà questa struttura:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/844/0*vwiqL9Zj6RE2RHvc.png" /></figure><p>La colonna che abbiamo denominato MEDV contiene il valore dell’abitazione in $1000 dollari (ad esempio un MEDV di 24 corrisponde a 24.000$) ed è il nostro target.</p><h3>Regressione lineare semplice</h3><p>Una regressione lineare semplice utilizza un’unica feature per costruire il modello, nel nostro caso utilizzeremo solo il numero di stanze, cioè la colonna che abbiamo denominato RM.</p><p>Estraiamo la feature RM e il target MEDV e salviamo i valori all’interno di due array numpy che ci serviranno per l’addestramento.</p><pre>X = boston[[&#39;RM&#39;]].values<br>Y = boston[&quot;MEDV&quot;].values</pre><p>E’ buona pratica nel machine learning eseguire l’addestramento su un set di dati per poi verificare i risultati delle sue predizioni con un altro set contente dati non visti durante l’addestramento.<br>Questo garantisce che il nostro modello è in grado di generalizzare su dati sconosciuti e quindi ha realmente “imparato” dai dati, piuttosto che limitarsi a memorizzare il set di addestramento, condizione conosciuta come <strong>overfitting</strong>.</p><p>Per fare questo dobbiamo suddividere il nostro dataset in due set distinti, uno da utilizzare unicamente per l’addestramento e un altro da utilizzare per il test, possiamo farlo utilizzando il metodo <em>train_test_split</em> di scikit-learn.</p><pre>from sklearn.model_selection import train_test_split<br>X_train, X_test, Y_train, Y_test = train_test_split(X,Y, test_size=0.3, random_state=0)</pre><p>Adesso abbiamo tutto ciò che ci serve per costruire il modello, facciamolo utilizzando la classe <em>LinearRegression</em> di scikit-learn:</p><ul><li>con il metodo <strong>fit</strong> eseguiamo l’addestramento</li><li>con il metodo <strong>predict</strong> eseguiamo la predizione</li></ul><p>Queste due semplici API sono comuni tra tutti i modelli definiti in scikit-learn, il ché rende il sostituire un modello con un altro estremamente semplice.</p><pre>from sklearn.linear_model import LinearRegression</pre><pre>ll = LinearRegression()<br>ll.fit(X_train, Y_train) <br>Y_pred_train = ll.predict(X_train)<br>Y_pred_test = ll.predict(X_test)</pre><p>Congratulazione ! Hai costruito il tuo primo modello di regressione e hai eseguito la tua prima predizione. Adesso bisogna vedere quanto buono è questo modello.<br>Per farlo dobbiamo definire una metrica che ci permetterà di misurare quanto le predizioni del modello si avvicinano ai valori corretti.<br>Una metrica semplice che fa proprio questo è <strong>l’errore quadratico medio (mean squadred error — MSE)</strong></p><pre>from sklearn.metrics import mean_squared_error</pre><pre>print(&quot;MSE train: %f&quot; % mean_squared_error(Y_train, Y_pred_train))<br>print(&quot;MSE test: %f&quot; % mean_squared_error(Y_test, Y_pred_test))</pre><p>Il risultato dovrebbe essere circa 42.16 per il train set e 47.03 per il test set, come vanno interpretati ?</p><p>Estraendo la radice quadrata otteniamo un valore che indica mediamente di quanto si è sbagliato il modello. Nel nostro caso, il test set ha ottenuto un MSE di 47 la cui radice quadrata è circa 6.9, considerando che i prezzi delle case sono rappresentati in $1000 questo ci dice che in media il modello ha fatto cilecca per 6900$.</p><p>Una metrica più intuitiva è il <strong>coefficiente di indeterminazione</strong> (anche conosciuto come <strong>R-squared score</strong>), può essere inteso come una versione standardizzata del MSE e ritorna un punteggio compreso tra 0 e 1 che può essere letto in questo modo:</p><ul><li><strong>R2_score &lt; 0.3</strong> il modello è inutile.</li><li><strong>0.3 &lt; R2_score &lt; 0.5</strong> il modello è scarso.</li><li><strong>0.5 &lt; R2_score &lt; 0.7</strong> il modello è discreto.</li><li><strong>0.7 &lt; R2_score &lt; 0.9</strong> il modello è buono.</li><li><strong>0.9 &lt; R2_score &lt; 1</strong> il modello è ottimo.</li><li><strong>R2_score = 1</strong> molto probabilmente c’è un errore nel modello.</li></ul><pre>from sklearn.metrics import r2_score</pre><pre>print(&quot;R2 train: %f&quot; % r2_score(Y_train, Y_pred_train))<br>print(&quot;R2 test: %f&quot; % r2_score(Y_test, Y_pred_test))</pre><p>Se hai fatto tutto correttamente dovresti ottenere un punteggio R-squared di circa 0.50 sul train set e 0.435 sul test set.</p><p>Il risultato non è così male considerando le poche informazioni che abbiamo utilizzato (solamente il numero di stanze), ma possiamo fare meglio !</p><h3>Regressione lineare multipla</h3><p>Una regressione lineare multipla è un modello che utilizza due o più features per l’addestramento.</p><p>Proviamo a predire il valore delle abitazioni utilizzando tutte le 13 features presenti nel nostro dataset, ricreiamo i nostri array con features e target, questa volta selezionando tutte le proprietà.</p><pre>X = boston.drop(&quot;MEDV&quot;, axis=1).values<br>Y = boston[&quot;MEDV&quot;].values</pre><pre>X_train, X_test, Y_train, Y_test = train_test_split(X,Y, test_size=0.3, random_state=0)</pre><p>Quando lavoriamo con più features dobbiamo essere sicuri che queste siano comprese in un range di valori comune, per far questo abbiamo due possibilità:</p><ul><li><strong>Normalizzazione</strong>: portiamo tutti i dati in un range compreso tra 0 e 1</li><li><strong>Standardizzazione</strong>: convertiamo i dati in una distribuzione normale con media 0 e deviazione standard 1.</li></ul><p>Standardizziamo l’array con le features utilizzando la classe <em>StandardScaler</em> di scikit-learn</p><pre>from sklearn.preprocessing import StandardScaler</pre><pre>ss = StandardScaler()<br>X_train_std = ss.fit_transform(X_train)<br>X_test_std = ss.transform(X_test)</pre><p>Adesso possiamo creare il modello esattamente come fatto prima…</p><pre>from sklearn.linear_model import LinearRegression</pre><pre>ll = LinearRegression()<br>ll.fit(X_train_std, Y_train)<br>Y_pred_train = ll.predict(X_train_std)<br>Y_pred_test = ll.predict(X_test_std)</pre><p>… e calcolare le metriche</p><pre>print(&quot;MSE train: %f&quot; % mean_squared_error(Y_train, Y_pred_train))<br>print(&quot;MSE test: %f&quot; % mean_squared_error(Y_test, Y_pred_test))</pre><pre>print(&quot;R2 train: %f&quot; % r2_score(Y_train, Y_pred_train))<br>print(&quot;R2 test: %f&quot; % r2_score(Y_test, Y_pred_test))</pre><p>Dovresti ottenere i seguenti risultati:</p><ul><li>MSE del train set ≈ 19.96</li><li>MSE del test set ≈ 27.16</li><li>R2 del train set ≈ 0.76</li><li>R2 del test set ≈ 0.67</li></ul><p>Come vedi il risultato è nettamente superiore rispetto a quanto ottenuto con un’unica feature, avendo più informazioni a disposizione l’algoritmo di machine learning è riuscito a individuare pattern migliori e quindi a eseguire predizioni migliori.</p><p>Infatti una cosa da tenere sempre a mente è che, spesso, nel machine learning la quantità ma soprattutto la qualità dei dati riveste un ruolo anche superiore a quello degli algoritmi stessi.</p><p><strong>Trovi il notebook eseguibile con il tutto il codice presente nell’articolo sulla </strong><a href="https://github.com/ProfAI/tutorials/blob/master/La%20tua%20prima%20regressione/la_prima_regressione.ipynb"><strong>repository Github dei tutorial di ProfessionAI</strong></a><strong>.</strong></p><p><a href="http://blog.profession.ai/cosa-e-il-data-science/"><em>Questo articolo è stato originariamente pubblicato sul blog di ProfessionAI</em></a><em>, la prima piattaforma italiana per la formazione online nelle varie discipline legate all’Intelligenza Artificiale, come machine learning, deep learning e data science.</em></p><p><em>Ti interessa il Machine Learning ? Se vuoi approfondire più nel dettaglio la regressione e altri argomenti come classificazione e clustering allora dai uno sguardo al nostro</em><a href="http://hyperurl.co/ML00MD"><strong><em> Corso Pratico sul Machine Learning con Python</em></strong></a><strong><em>,</em></strong><em> disponbile su Udemy a soli 9.90 € per un periodo di tempo limitato.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f9531e9e60d5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/la-regressione-%C3%A8-uno-dei-due-principali-problemi-dellapprendimento-supervisionato-la-branca-del-f9531e9e60d5">La tua prima regressione</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cos’è la Data Science e cosa fa un Data Scientist ?]]></title>
            <link>https://medium.com/professionai/cosa-%C3%A8-la-data-science-e-cosa-fa-un-data-scientist-9387f6028c1e?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/9387f6028c1e</guid>
            <category><![CDATA[data-scientist]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Tue, 07 Aug 2018 10:40:54 GMT</pubDate>
            <atom:updated>2018-09-14T17:49:09.937Z</atom:updated>
            <content:encoded><![CDATA[<h2>Un mondo di dati</h2><p>Una <a href="https://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf">ricerca del 2012 dell’EMC</a> ha stimato il numero di dati prodotti dall’uomo fino al 2005 in <strong>130 exabyte</strong>.</p><p>Un exabyte corrisponde a un miliardo di gigabyte, per rendere l’idea di quanto grande sia questo numero basta pensare che 5 exabyte corrispondono a un documento di testo contenente ogni frase, discorso o discussione mai pronunciata da ogni essere umano vissuto sin dall’origine della nostra specie.</p><p>Con l’arrivo del web 2.0, la nascita di Facebook e la crescente diffusione di internet, questo numero è cresciuto fino a <strong>4400 exabyte nel 2012</strong> e sembrerebbe destinato ad aumentare di 10 volte, fino a superare i <strong>44000 exabyte, entro il 2020</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nAo2AZfHmZpqCQUXPSnpPw.jpeg" /></figure><p><strong>Dalla Statistica alla Data Science</strong></p><p>Una volta c’era la statistica e l’analyst era la figura professionale che aveva il compito di utilizzarla per analizzare i dati ed estrarre informazioni da essi era la figura professionale che aveva il compito di analizzare i dati per estrarre informazioni da essi. Questo è durato fino a quando la quantità di dati disponibile ha largamente superato la capacità dell’uomo di analizzarli manualmente, a quel punto gli strumenti della statistica hanno cominciato a diventare obsoleti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*iBTy0dClYMeVNRpk.png" /></figure><p>In questo quadro storico <strong>Statistica</strong>, <strong>Data Analysis</strong> e <a href="http://blog.profession.ai/cosa-e-machine-learning/"><strong>Machine Learning</strong></a> hanno unito le forze per dare alla luce la <strong>Data Science</strong>, un campo interdisciplinare che ha lo scopo di estrarre informazioni dai dati, qualsiasi forma o dimensione questi abbiano e il <strong>Data Scientist</strong> è diventata la figura professionale più promettente del nuovo millennio.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*XwIRfrnJXXv5JYqS.png" /><figcaption>Il Data Scientist è la figura professionale più sexy del nuovo millennio</figcaption></figure><p>Per estrarre informazioni e insight da dati strutturati o non, la data science si serve di un rigoroso processo scientifico, che può essere sintetizzato nei seguenti punti:</p><ol><li><strong>Definizione del problema: </strong>confrontandosi con chi lo sta riscontrando se questo non ci riguarda direttamente.</li><li><strong>Raccolta dei dati: </strong>i dati necessari a risolvere il problema possono provenire da database aziendali, da operazioni di web scraping o da qualsiasi altra fonte.</li><li><strong>Elaborazione dei dati: </strong>in questa fase vengono corretti errori nei dati oppure vengono effettuate trasformazioni per ottenere ulteriori dati dai dati stessi.</li><li><strong>Creazione del modello: </strong>il campo che studia come trovare relazioni nei dati si chiama <strong>data mining</strong> e per farlo utilizza, anche ma non sono, tecniche di machine learning.</li><li><strong>Presentazione dei risultati:</strong> dopo aver tratto le conclusione del caso bisogna mostrarle in maniera adeguata utilizzando lo storytelling insieme a grafici e altri tipi di visualizzazioni.</li></ol><h2>Data Science: un esempio pratico</h2><p>Sei un Data Scientist e viene assunto da una grossa catena di supermercati per comprendere come disporre i prodotti sugli scaffali allo scopo di massimizzare le vendite.</p><p>Vediamo come devi affrontare i vari step del processo del data science, provando a semplificarli al massimo.</p><ul><li><strong>Definizione del Problema</strong></li></ul><p>Il problema è ben definito “comprendere come disporre i prodotti sugli scaffali allo scopo di massimizzare le vendite”.</p><p>Questo può essere affrontato con una tecnica di <a href="https://en.wikipedia.org/wiki/Affinity_analysis"><strong>analisi di affinità</strong></a>, lo stesso tipo di tecnica utilizzata, ad esempio, da Amazon per consigliarci che prodotti acquistare insieme osservando cosa hanno acquistato gli atri utenti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*USfKYIRU6scXZ3KS.png" /></figure><ul><li><strong>Raccolta dei dati</strong></li></ul><p>L’azienda ti fornisce direttamente l’accesso alla tabella del database aziendale che contiene gli acquisti fatti negli ultimi 2 anni, tanta roba. Li esporti sotto forma di uno o più file CSV.</p><ul><li><strong>Elaborazione dei dati</strong></li></ul><p>Rimuovi le informazioni non necessarie dal file CSV, in modo che ogni riga di un file sia composto unicamente dai prodotti acquistati in una singola spesa separati da una virgola.</p><p>Siccome una macchina ragiona per numeri, devi codificare tutte le informazioni, come gli identificativi dei prodotti, sotto forma di numeri.</p><ul><li><strong>Creazione del modello</strong></li></ul><p>Abbiamo già detto che il problema può essere affrontato con una tecnica di analisi di affinità, nel particolare la tecnica da utilizzare è una variante dell’analisi di affinità conosciuta come <strong>Market Basket Analysis</strong>, utilizzata proprio per comprendere comportamenti di acquisto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/983/0*yrsW_ZvvXrZhyNxE.png" /><figcaption>Esempio di dataset di spese in un supermercato, ogni colonna rappresenta un prodotto e ogni riga rappresenta una spesa fatta</figcaption></figure><ul><li><strong>Presentazione dei risultati</strong></li></ul><p>Una volta ottenuti risultati soddisfacenti devi mostrarli in maniera chiara e comprensibile al management della catena di supermercati, per farlo devi utilizzare tutta la tua creatività per realizzare visualizzazioni efficaci.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*z7Lkx9oq-7YG7kv8.png" /><figcaption>Le visualizzazioni sono il linguaggio che permette a data scientist e committente di comunicare e comprendersi</figcaption></figure><h2>La professione del futuro</h2><p>Ci sono molti punti interrogativi sull’impatto che tutta questa mole di dati potrà avere sulla nostra società, ma di una cosa possiamo stare certi, la figura del data scientist sarà sempre più gettonata.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1020/0*aTq27Die7QmX3B6k.png" /><figcaption><a href="https://www.forbes.com/sites/louiscolumbus/2017/12/11/linkedins-fastest-growing-jobs-today-are-in-data-science-machine-learning/#52abb1d551bd">Secondo una ricerca di Linkedin</a> il data scientist è, insieme all’esperto di machine learning e a quello di big data, è la nuova figura professionale più ricercata dalle aziende</figcaption></figure><p>Tutte le aziende, tecnologiche e non, che producono dati avranno bisogno di qualcuno che le aiuti a utilizzarli in maniera intelligente per creare valore.</p><p>Chi non lo farà rimarrà tagliato fuori dalla competizione.</p><p>Negli Stati Uniti sono già consapevoli di tutto questo e le aziende sono disposte a sborsare una media di 130.000$ annuali come salario di un Data Scientist, contro i 96.000$ per un ingegnere informatico e i 76.000$ per un web developer.</p><p><strong>Vuoi avvicinarti alla Data Science ? Il modo migliore per farlo è cominciare a studiare il Machine Learning e </strong><a href="http://hyperurl.co/ML00MD"><strong>noi siamo qui proprio per questo !</strong></a></p><p><a href="http://blog.profession.ai/cosa-e-il-data-science/"><em>Questo articolo è stato originariamente pubblicato sul blog di ProfessionAI</em></a><em>, la prima piattaforma italiana per la formazione online nelle varie discipline legate all’Intelligenza Artificiale, come machine learning, deep learning e data science.</em></p><p><a href="https://gfgdev.us11.list-manage.com/subscribe?u=88c3f8871f9a80490c0b5e08c&amp;id=52e90d239a"><em>Iscriviti alla nostra newsletter</em></a><em> e ricevi ogni settimana le ultime notizie e i migliori approfondimenti dal mondo dell’Intelligenza Artificiale.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9387f6028c1e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/cosa-%C3%A8-la-data-science-e-cosa-fa-un-data-scientist-9387f6028c1e">Cos’è la Data Science e cosa fa un Data Scientist ?</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Deep Learning svelato: ecco come funzionano le Reti Neurali Artificiali]]></title>
            <link>https://medium.com/professionai/deep-learning-svelato-ecco-come-funzionano-le-reti-neurali-artificiali-f7dced217135?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/f7dced217135</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[intelligenza-artificiale]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Thu, 26 Jul 2018 08:32:03 GMT</pubDate>
            <atom:updated>2018-08-14T14:31:19.773Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/688/0*6IXhiFsjoqlE_LZ0.jpg" /></figure><p>C’è tanto rumore intorno ai termini Reti Neurali Artificiali (dall’inglese Artificial Neural Network — ANN) e l’apprendimento profondo (dall’inglese Deep Learning, meglio chiamarlo così).</p><p>Scrivo questo breve post giusto per farti capire che, in fondo, tutto questo rumore è ben giustificato!</p><p>L’intelligenza artificiale sta avanzato in maniera esponenziale, trainata dai progressi nel machine learning che a loro volta derivano per gran parte da un’ unica tipologia di modelli: le reti neurali artificiali.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*VTpSkpr4Ua7AF3rp.jpg" /><figcaption>Rappresentazione della relazione tra Intelligenza Artificiale, Machine Learning e Deep Learning</figcaption></figure><p>Una rete neurale artificiale è un modello di machine learning che si ispira al funzionamento del cervello animale, quello che abbiamo anche noi mammiferi intelligenti all’interno della nostra scatola cranica, che può essere utilizzato per risolvere essenzialmente tre tipi di problemi:</p><ul><li><strong>Classificazione</strong>: in cui la variabile da prevedere è di tipo categorico, cioè una classe (es. abbiamo un insieme di immagini di gatti e le vogliamo usare per riconoscere i gatti in altre foto)</li><li><strong>Regressione</strong>: in cui la variabile da prevedere è di tipo continuo, cioè un numero (es. abbiamo lo storico del valore di FIAT in borsa e vogliamo utilizzarlo per prevedere il valore futuro)</li><li><strong>Clustering</strong>: problema molto simile alla classificazione ma in cui non abbiamo a disposizione delle classi (es. abbiamo un insieme di immagini di tumori, vogliamo riconoscere quali sono maligni e quali benigni)</li></ul><p><strong>Se non sai ancora cosa è il machine learning leggi </strong><a href="http://blog.profession.ai/cosa-e-machine-learning/"><strong>questo articolo</strong></a><strong> prima di andare avanti.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*X6BM8_nrJI3uJ7wU.jpg" /><figcaption>Migliore rappresentazione della relazione tra Intelligenza Artificiale, Machine Learning e Deep Learning</figcaption></figure><h3>Come il cervello apprende</h3><p>Il cervello è composto da centinaia di miliardi di cellule nervose, <strong>i neuroni</strong>.</p><p>Ogni volta che il cervello riceve uno stimolo sensoriale un gruppo di neuroni riceve un segnale, chiamato <strong>potenziale d’azione</strong>, se il potenziale di azione è abbastanza forte viene propagato ai neuroni vicini tramite dei canali chiamati <strong>sinapsi</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ecRCoR3syPrubZrw.png" /><figcaption>Un neurone riceve un segnale chimico da un altro neurone tramite i recettori posti sui dendriti, il segnale viene convertito in un impulso elettrico e scorre lungo l’assone, se quest’impulso è sufficentemente forte viene riconvertito in un segnale chimico e inviato al successivo neurone tramite le sinapsi.</figcaption></figure><p>Questo processo si ripete a cascata, neuroni attivano altri neuroni, fino a quando il segnale si esaurisce.</p><p>I neuroni che si attivano insieme si legano insieme, questo è il concetto alla base dell’apprendimento (<a href="https://it.wikipedia.org/wiki/Donald_Olding_Hebb">apprendimento hebbiano</a>), così i neuroni si uniscono in complessi reticoli che sono proprio le reti neurali, la sede di tutta la nostra conoscenza.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wLFaHbiPmlTGm34G.png" /></figure><h3>Un’approccio biologico al machine learning</h3><p>Le reti neurali artificiali utilizzano lo stesso approccio per permettere alle macchine di apprendere dai dati, cercando relazioni tra di essi e raggiungendo livelli di astrazione sempre più profondi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*50lypK5NZf7n8Dnc.png" /><figcaption>Una rete neurale artificiale composta da un unico strato nascosto con un unico neurone, X1, X2 e X3 corrispondono alle proprietà del dataset e Y corrisponde all’output</figcaption></figure><p>All’interno di una rete neurale artificiale i neuroni sono disposti su più strati:</p><ul><li><strong>Uno strato di input</strong>: che prende in ingresso i dati, ogni neurone di questo strato rappresenta una proprietà del dataset</li><li><strong>Uno strato di output</strong>: che fornisce il risultato della rete neurale</li><li><strong>Uno o più strati nascosti</strong>: che si trovano tra lo strato di input e quello di output.</li></ul><p>Il compito degli strati nascosti è di utilizzare le proprietà (features) del dataset per apprendere nuove proprietà.</p><p>Solitamente prima della fase di creazione di un modello di machine learning, il dataset viene analizzato e manipolato per estrarre proprietà significative da quelle di cui già si dispone. Questo processo prende il nome di <strong>feature extraction</strong> e ha un ruolo fondamentale per la creazione di un modello di machine learning robusto.</p><p>Una rete neurale artificiale automatizza il processo di feature extraction all’interno di ogni strato nascosto, per questo motivo le reti neurali artificiali sono definite modelli <em>end-to-end,</em> appunto perché prendono come input i dati grezzi del dataset per svolgere attività come classificazione, regressione o clustering.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*f0v-TshQiZgXUSxv.png" /><figcaption>Una rete neurale composta da uno strato nascosto con 4 neuroni, ogni neurone riceve in input le features e le utilizza per creare nuove features</figcaption></figure><p>Una rete è definita “profonda” (dall’inglese <em>deep</em>) quando contiene due o più strati nascosti, in questi casi la rete utilizzerà le proprietà apprese in uno strato nascosto per apprendere ulteriori nuove proprietà ancora più significative nello strato successivo, fino a utilizzarle per eseguire classificazione, regressione o clustering nello strato di output.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5x-TEZ75tWFX7t-Q.png" /><figcaption>Una rete neurale è definita “profonda” quando contiene due o più strati nascosti</figcaption></figure><p>La performance di un modello di machine learning, intesa come precisione o errore, tende a convergere a un valore massimo, al contrario i modelli basati sul deep learning non hanno questa limitazione e migliorano gradualmente all’aumentare del numero di dati disponibili per l’addestramento, proprio grazie alla loro capacità di astrazione e di apprendere nuove proprietà dai dati.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*e6Y3WkpBP-6CjBo6.png" /></figure><h3>Istruire una rete neurale artificiale</h3><p>Le reti neurali artificiali non sono una novità, infatti sono conosciute da più di mezzo secolo, ma sono rimaste chiuse in un cassetto a causa dell’assenza di un metodo efficace ed efficiente per addestrarle.</p><p>Questo è durato fino al 1986, anno in cui Jeff Hinton insieme a David Rumelhart e Ronald J. Williams proposero <a href="https://www.iro.umontreal.ca/~vincentp/ift3395/lectures/backprop_old.pdf">in questo paper</a> l’utilizzo dell’algoritmo della <strong>Retropropagazione</strong> (dall’inglese Backpropagation) che ha stabilito la nascita di quello che oggi è il <strong>Deep Learning</strong>, ovvero l’insieme di metodi utilizzati per addestrare una rete neurale artificiale profonda.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*F-nD2Qy5_qIEwq_21IWBbw.jpeg" /><figcaption>La Backpropagation è un algoritmo affascinante quanto complesso, se vuoi capirne il funzionamento a fondo assicurati prima di avere una scorta di Aulin</figcaption></figure><p>Ancora oggi, a più di 30 anni di distanza, la Retropropagazione è l’algoritmo più importante del deep learning, grazie <a href="https://en.wikipedia.org/wiki/Geoffrey_Hinton">Jeff</a>!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*omXsM5lCLms-Q3Lc.png" /><figcaption>Breve spiegazione della Backprogation tratta <a href="https://www.udemy.com/machine-learning-pratico/?couponCode=BLOG_READER">da qui</a></figcaption></figure><h3>Quando usare il Deep Learning</h3><p>A differenza di quanto potresti pensare, le reti neurali non sono sempre la soluzione migliore, per due motivi in particolare:</p><ol><li>Per essere addestrate richiedono molti, molti (molti) dati, almeno nell’ordine di migliaia.</li><li>Sono computazionalmente davvero dispendiose e spesso per completare l’addestramento in tempi umani è necessario parallelizzare il lavoro su di un <strong>cluster di GPU.</strong></li></ol><p>Inoltre per molti tipi di problemi relativamente semplici l’intervento di un modello basato sulle reti neurali non è neanche necessario, ma è possibile ottenere ottimi risultati con modelli meno complessi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*BooaBmAT23wVGp2X.jpeg" /><figcaption>Usare il Deep Learning <a href="https://it.wikipedia.org/wiki/Dataset_Iris">sull’Iris Dataset</a> equivale a usare un lanciafiamme per uccidere una zanzara</figcaption></figure><h3>Deep Learning nella vita reale</h3><p>I sistemi di computer vision odierni sono in grado di riconoscere persone, animali e oggetti con una precisione che è addirittura maggiore di quella dell’uomo, questi sistemi usano il Deep Learning.</p><p>Le tecnologie di riconoscimento del parlato di Siri, Alexa e Cortana stanno pian piano raggiungendo lo stato dell’arte, queste tecnologie usano il Deep Learning.</p><p>Nel 2015 <strong>AlphaGo</strong> è riuscito a battere il campione mondiale di Go Lee Sedolin una partita ufficiale, secondo gli esperti un risultato del genere non sarebbe dovuto arrivare prima di un altro decennio. AlphaGo usa il Deep Learning.</p><p>Google è in assoluto la società che più si serve del Deep Learning e che sta maggiormente contribuendo al suo sviluppo, infatti la maggior parte dei servizi di Google, partendo da Search e passando per Gmail e Translate, utilizzano in un modo o nell’altro le reti neurali artificial e questo ha fortemente inciso sul suo successo su scala globale.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/682/0*w8WLFFUdAei3lksA.jpg" /></figure><p><em>Le slide mostrate in questo articolo sono tratte dal nostro corso “</em><a href="http://hyperurl.co/ML00MD"><em>Machine Learning con Python: il corso Pratico</em></a><em>”, già disponibile su Udemy.</em></p><p><a href="https://gfgdev.us11.list-manage.com/subscribe?u=88c3f8871f9a80490c0b5e08c&amp;id=52e90d239a"><em>Iscriviti alla nostra newsletter</em></a><em> e ricevi ogni settimana le ultime notizie e i migliori approfondimenti dal mondo dell’Intelligenza Artificiale.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f7dced217135" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/deep-learning-svelato-ecco-come-funzionano-le-reti-neurali-artificiali-f7dced217135">Deep Learning svelato: ecco come funzionano le Reti Neurali Artificiali</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cosa è l’intelligenza artificiale ?]]></title>
            <link>https://medium.com/professionai/cosa-%C3%A8-lintelligenza-artificiale-e43ca0b6fe61?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/e43ca0b6fe61</guid>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[intelligenza-artificiale]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Tue, 24 Jul 2018 10:33:09 GMT</pubDate>
            <atom:updated>2018-07-24T14:30:32.006Z</atom:updated>
            <content:encoded><![CDATA[<p>L’intelligenza artificiale (AI) è indubbiamente il futuro, eppure ad oggi non è chiaro a tutti cosa sia esattamente e in cosa consista.</p><p>Farò quindi chiarezza su quella che è la domanda del momento: “<strong>Cosa diamine è l’intelligenza artificiale ?</strong>”</p><p>Dare una risposta precisa è molto difficile per diversi motivi, primo perché non esiste una definizione univoca, se chiedi a cinque esperti potresti finire con avere cinque risposte diverse, secondo perché l’intelligenza artificiale è un campo fortemente interdisciplinare, che mette insieme informatica, psicologia, biologia, neuroscienze e ovviamente matematica, specialmente statistica e calcolo delle probabilità.</p><p>Un fatto curioso è che generalmente si tende a riconoscere come “intelligenza artificiale” metodi e tecnologie informatiche che riescono a suscitare l’effetto WOW nell’utente medio. Poi, nel momento in cui ci abituiamo a tali nuove scoperte tecnologiche, ecco che in quel momento fuoriescono dal cerchio dell’AI.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/0*KWrkn91_FcZ65H4r.jpg" /><figcaption>Smettiamo di riconoscere una tecnologia come “intelligente” quando questa entra a far parte della nostra quotidianità</figcaption></figure><p>Data questa premessa proviamo a dare una definizione, cominciando riportandone una direttamente dal dizionario, più precisamente quella del “English Oxford Living Dictionary”:</p><blockquote>“L’intelligenza artificiale è la teoria e lo sviluppo di un sistema informatico in grado di eseguire compiti che normalmente richiedono l’intelligenza umana, come la percezione visiva, il riconoscimento del parlato, il processo decisionale e la traduzione tra diverse lingue”.</blockquote><p>Quindi l’intelligenza artificiale è semplicemente un software che replica digitalmente l’intelligenza naturale, ottimo, problema risolto, smetto di scrivere e vado a bermi un caffè.</p><p>Ma aspetta un secondo, voglio farti una domanda, saresti in grado di dare un definizione chiara e concisa di cosa è l’intelligenza ? Non parlo dell’intelligenza artificiale, ma di quella naturale che abbiamo tutti nelle nostre teste, va bene quasi tutti.</p><p>Ecco, siamo di nuovo al punto di partenza.</p><p>Piuttosto che provare a dare una definizione formale di intelligenza, che potrebbe aprire non pochi dibattiti, vediamo insieme quali sono le caratteristiche dell’intelligenza naturale, quelle che ci permettono di identificare una data entità come “intelligente”:</p><ul><li>un’entità intelligente è in grado di utilizzare i propri sensi per percepire l’ambiente intorno a se (<strong>Percezione</strong>)</li><li>un’entità intelligente è in grado di esplorare e manipolare l’ambiente intorno a se (<strong>Esplorazione</strong>)</li><li>un’entità intelligente è in grado di comprendere l’ambiente intorno a se e superare ostacoli (<strong>Ragionamento e Problem solving</strong>)</li><li>un’entità intelligente è in grado di apprendere autonomamente dall’esperienza accumulata (<strong>Apprendimento</strong>)</li><li>un’entità intelligente è in grado di comunicare con altre entità intelligenti (<strong>Comunicazione</strong>)</li><li>un’entità intelligente non condivide un articolo prima di averne validato la veridicità (<strong>Buon senso</strong>)</li></ul><p>Quello che l’intelligenza artificiale vuol fare è dotare un computer di queste facoltà, per far sì che possa sfruttare insieme la sua potenza di calcolo e la flessibilità della mente umana e lo sta già facendo con successo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5PtwVEtFMMsafSRY.jpg" /><figcaption>L’intelligenza artificiale cerca di ricalcare le funzioni dell’intelligenza naturale</figcaption></figure><p>Riuscire a dotare una macchina di tutte queste facoltà e renderla in grado di risolvere qualsiasi problema tipicamente umano vorrebbe dire creare un sistema di intelligenza artificiale generale (<strong>Artificial General Intelligence — AGI</strong>) e attualmente questo è stato fatto solamente a Hollywood o nella mente visionaria di qualche scrittore di fantascienza.</p><p>Un altro approccio più realistico e più commerciale consiste nel dotare il computer solo di una o alcune di queste caratteristiche e istruirlo per risolvere un unico compito specifico (<strong>Narrow artificial intelligence</strong>) che quindi equivale a creare un sistema di intelligenza artificiale specializzato, viviamo già tra sistemi di questo tipo senza neanche saperlo, eccoti alcuni esempi:</p><ul><li>Siri, Alexa, Cortana e tutti gli altri assistenti virtuali</li><li>Google Search, Google Translate e praticamente tutti gli altri servizi di Google</li><li>I terrificanti sistemi di riconoscimento facciale che stanno superando la perfomance umana</li><li>Auto a guida autonoma</li><li>Sistemi di raccomandazione come quelli usati da Amazon, Netflix e Spotify</li><li>Qualsiasi videogioco a cui tu abbia mai giocato negli ultimi 20 anni</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*FAx9B8XN3DR3_e13.png" /><figcaption>Alcune applicazioni pratiche dell’intelligenza artificiale</figcaption></figure><p>E’ possibile applicare l’intelligenza artificiale a qualsiasi settore e non solo a quello tecnologico, secondo molti l’AI potrebbe addirittura avere sulla nostra società lo stesso impatto che ha già avuto la diffusione dell’energia elettrica un centinaio di anni fa, aprendo la strada verso nuove frontiere dell’automazione che finiranno per trasformare radicalmente innumerevoli settori.</p><p>L’intelligenza artificiale sta progredendo in maniera esponenziale, grazie soprattutto ai progressi nel <a href="https://medium.com/professionai/cosa-%C3%A8-il-machine-learning-a9dbd05ff5e1">machine learning</a>, e il suo utilizzo non è limitato alle grandi multinazionali, ma chiunque, dal piccolo imprenditore, passando per il singolo professionista, fino al panificio sotto casa tua, potrà trarne un diretto vantaggio se imparerà a sfruttarla nel modo corretto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E09DKxeitqZCYWHA5owE5Q.jpeg" /></figure><p><em>Questo articolo è stato </em><a href="http://blog.profession.ai/cosa-e-lintelligenza-artificiale/?preview_id=33&amp;preview_nonce=6bc8fbcbb0&amp;post_format=standard&amp;_thumbnail_id=-1&amp;preview=true"><em>originariamente pubblicato sul blog di ProfessionAI</em></a><em>, la prima piattaforma italiana per la formazione online nelle varie discipline legate all’Intelligenza Artificiale, come machine learning, deep learning e data science.</em></p><p><a href="https://gfgdev.us11.list-manage.com/subscribe?u=88c3f8871f9a80490c0b5e08c&amp;id=52e90d239a"><em>Iscriviti alla nostra newsletter</em></a><em> e ricevi ogni settimana le ultime notizie e i migliori approfondimenti dal mondo dell’Intelligenza Artificiale.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e43ca0b6fe61" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/cosa-%C3%A8-lintelligenza-artificiale-e43ca0b6fe61">Cosa è l’intelligenza artificiale ?</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cosa è il Machine Learning ?]]></title>
            <link>https://medium.com/professionai/cosa-%C3%A8-il-machine-learning-a9dbd05ff5e1?source=rss----4f29aa7b7f18---4</link>
            <guid isPermaLink="false">https://medium.com/p/a9dbd05ff5e1</guid>
            <category><![CDATA[intelligenza-artificiale]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Giuseppe Gullo]]></dc:creator>
            <pubDate>Sun, 04 Feb 2018 19:23:50 GMT</pubDate>
            <atom:updated>2018-08-14T14:32:13.578Z</atom:updated>
            <content:encoded><![CDATA[<p>Negli ultimi anni avrai sicuramente sentito parlare almeno una volta di Machine Learning, a meno che tu non viva su di una montagna isolato dal mondo, ma in tal caso non staresti neanche leggendo questo articolo adesso.</p><p>Abbiamo già detto in <a href="http://blog.profession.ai/cosa-e-lintelligenza-artificiale/">questo articolo</a> che lo scopo finale dell’Intelligenza Artificiale è creare macchine che sono in grado di riflettere e agire come l’essere umano e cosa rappresenta l’essere umano meglio della sua capacità di imparare ?</p><p>Questo è proprio quello che il machine learning vuole fare, fornire alla macchina la capacità di apprendere direttamente dall’esperienza, senza essere esplicitamente programmata per farlo.</p><p>Il machine learning è il settore più in crescita dell’intelligenza artificiale, i suoi progressi stanno trascinando così tanto l’AI che ormai i due sembrano essere diventati termini equivalenti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*CCfeUttHpaJ5YTN7.png" /></figure><p>Ma come siamo arrivati a questo punto e perché il machine learning è così importante ?</p><h2>Dagli Algoritmi al Machine Learning</h2><p>C’era una volta l’algoritmo, un insieme di istruzioni sequenziali che indicano come risolvere un determinato problema.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gU6I9v627Xw5QPUj.png" /></figure><p>Abbiamo utilizzato gli algoritmi per risolvere innumerevoli problemi fin da prima dell’avvento dell’informatica, per diversi tipi di problemi esistono diversi tipi di algoritmi, ma ci sono alcune tipologie di problemi che non possono essere affrontati in questo modo.</p><p>Ti faccio un esempio.</p><p>Immagina di dover creare un algoritmo in grado di riconoscere i gatti nelle foto, alcune istruzioni potrebbero essere quelle di valutare la forma degli occhi, le orecchie, il naso e i baffi, magari con alcune dozzine di regole si potrebbero ottenere risultati discreti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*HD6lbpVMUcr44Zp9.jpg" /></figure><p>Ma se gli mostrassimo una tigre ? Il nostro algoritmo potrebbe confondersi.</p><p>E se decidessimo di voler distinguere anche i cani ? Servirebbe tutto un altro set di regole.</p><p>Facciamo un altro esempio, metti caso di dover scrivere un algoritmo per far sì che la tua auto si guidi da sola, in questo caso non sapremmo neanche da dove partire dato l’incredibile numero di variabili che entrano in gioco in un problema del genere.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*s5namEf_eiRWXh7Q.jpg" /></figure><p>Come vedi il problema della complessità è uno dei più grandi limiti degli algoritmi, problemi troppo complessi richiedono un numero eccessivo di istruzioni, impossibili da gestire per i nostri piccoli cervelli biologici.</p><p>Bene, in tutti questi casi la soluzione è il <strong>Machine Learning</strong>.</p><p>Il machine learning utilizza un approccio totalmente differente rispetto alla programmazione classica, piuttosto che partire dall’input (punto di partenza), scrivere l’algoritmo e ottenere un output (punto di arrivo), il machine learning parte dall’input e dall’output, lascia che sia la macchina a comprendere le relazioni tra questi e infine darà come risultato l’algoritmo.</p><p>In questo caso si parla di <strong>apprendimento supervisionato</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*R05icoKGx5YOyEQV.png" /></figure><p>In altri casi invece utilizza addirittura solamente l’input, inducendo l’output dalla struttura dell’input, in questo secondo caso si parla di <strong>apprendimento non supervisionato.</strong></p><p>Tutto questo avviene in due fasi: <strong>apprendimento</strong> e <strong>predizione.</strong></p><h3><strong>Machine Learning: un esempio</strong></h3><p>Facciamo un esempio focalizzandoci sull’apprendimento supervisionato.</p><p>Durante la fase di apprendimento la macchina studia coppie di input e output in cerca di relazioni, nel nostro esempio l’input è l’immagine e l’output è un’etichetta che indica se questa rappresenta o meno un gatto.</p><p>Una volta che la macchina ha imparato a distinguere un gatto sarà possibile mostrargli delle nuove immagini e questa userà l’algoritmo che ha appreso per dire se sono raffigurati o meno dei gatti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EIYB3vWG5lqXFid0.png" /><figcaption>Immaginando di poter rappresentare gatti e cani utilizzando due caratteristiche quantitative, il machine learning ci permette di trovare la retta che li separa (P.S si, i gatti sono esseri malvagi)</figcaption></figure><p>Come hai capito, in un certo senso il machine learning da alla macchina la capacità di programmarsi da sola accumulando esperienza, questo potrebbe sembrare fantascientifico (e anche un po’ terrificante) ma la verità è che il machine learning è già tra di noi più di quanto pensiamo, sta alla base delle auto che si guidano da sole, etichetta lo spam nelle nostre email, è utilizzato per riconoscere i nostri gusti e consigliarci prodotti da acquistare e cose da fare, aiuta negozi e supermercati a capire come disporre la merce per massimizzare le vendite e potrei continuare per ore.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*zRUeKAPrCaWd9m2V.jpg" /></figure><h2>Perchè oggi ? Big Data e Supercomputer</h2><p>Nel machine learning i dati rivestono un ruolo importantissimo, certe volte ancora più importante della tecnologia stessa, perché essi sono la reale fonte di conoscenza che la macchina utilizza per apprendere, questo è uno dei motivi per il quale il machine learning si è diffuso solo nell’ultimo decennio, sebbene le metodologie alla base abbiamo mezzo secolo.</p><p>Infatti la quantità di dati generati dall’uomo è cresciuta in maniera esponenziale dopo l’inizio del nuovo millennio grazie alla nascita del web 2.0 e la crescente diffusione dei social media.</p><p>Un altro fattore che ha inciso sulla diffusione del machine learning è la maggiore potenza di calcolo oggi disponibile, basta pensare che uno smartphone odierno di fascia media è milioni di volte più potente di un computer della NASA degli anni 60.</p><p>Questi due fattori uniti agli sforzi congiunti delle maggiori compagnie tecnologiche, che hanno già avviato da tempo la loro <em>corsa verso l’intelligenza,</em> stanno facendo avanzare il machine learning, e quindi l’intelligenza artificiale, come niente mai prima in tutta la storia del genere umano.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/550/0*BUGQYc5MTq6rFmxM.jpg" /></figure><p><em>Questo articolo è stato </em><a href="http://blog.profession.ai/machine-learning/"><em>originariamente pubblicato sul blog di ProfessionAI</em></a><em>, la prima piattaforma italiana per la formazione online nelle varie discipline legate all’Intelligenza Artificiale, come machine learning, deep learning e data science.</em></p><p><a href="https://gfgdev.us11.list-manage.com/subscribe?u=88c3f8871f9a80490c0b5e08c&amp;id=52e90d239a"><em>Iscriviti alla nostra newsletter</em></a><em> e ricevi ogni settimana le ultime notizie e i migliori approfondimenti dal mondo dell’Intelligenza Artificiale.</em></p><p><em>Sei interessato al machine learning ? Dai uno sguardo al nostro</em><a href="http://hyperurl.co/ML00MD"><em> corso pratico sul Machine Learning con Python</em></a><em> su Udemy e impara anche tu ad addestrare il tuo computer a </em>d̶o̶m̶i̶n̶a̶r̶e̶ ̶l̶a̶ ̶T̶e̶r̶r̶a̶ <em>riconoscere i gattini.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a9dbd05ff5e1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/professionai/cosa-%C3%A8-il-machine-learning-a9dbd05ff5e1">Cosa è il Machine Learning ?</a> was originally published in <a href="https://medium.com/professionai">ProfessionAI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>