Dati sintetici: superare le limitazioni dei dataset reali nel machine learning
Scopri come i dati sintetici possono superare le limitazioni dei dataset reali e potenziare i tuoi modelli di machine learning
Machine Learning
58 post
Guida alla gestione dei dati mancanti nella data science
Scopri come identificare e gestire efficacemente i dati mancanti nei progetti di data science e machine learning per migliorare l'accuratezza dei tuoi modelli
Guida alle architetture delle reti neurali convolutive più famose
Scopri come funzionano AlexNet, VGG, ResNet, Inception ed EfficientNet, le architetture che hanno rivoluzionato il deep learning
Backpropagation: come apprendono le reti neurali
Scopri come le reti neurali apprendono pattern dai dati attraverso l'algoritmo che ha reso possibile il deep learning odierno
Tecniche di feature engineering per variabili numeriche in Python
Scopri le tecniche di feature engineering più utili per convertire valori numerici in informazioni utili per il tuo modello predittivo usando Sklearn, Numpy e Python
Tuning degli iperparametri con Optuna in Python
Scopri Optuna, il potente framework Python per l'ottimizzazione efficiente degli iperparametri. Scoperto nelle competizioni Kaggle, Optuna ha rapidamente conquistato i data scientist per la sua semplicità e abiiltà di risparmiare tempo nella ricerca
Estrarre qualsiasi entità da testo con GLiNER
GLiNER è un modello NER in grado di identificare qualsiasi tipo di entità utilizzando un codificatore di trasformatore bidirezionale (simile a BERT) che supera ChatGPT e altri LLM in task di classificazione dei token zero-shot
Classificazione di Melanoma in TensorFlow: Distinguere tra Maligno e Benigno con Intelligenza Artificiale
In questo articolo sarà implementata una rete neurale convoluzionale utilizzando Keras con TensorFlow come backend. Verrà condotta un'analisi dei risultati al fine di valutare l'utilità pratica del modello nell'identificazione di lesioni cutanee
Come Approcciare i Problemi di Machine Learning
Scopri come affrontare i problemi di machine learning con un approccio strutturato: dalla preparazione dei dati alla scelta del modello, evitando errori comuni e ottimizzando le performance.