My Cookie Mix

" Mathematics for Machine Learning ", di Thomas Garret , è una risorsa utile per chi sta iniziando un percorso di studio nel machine learning, fornendo una base solida delle competenze matematiche richieste senza entrare nei dettagli specifici degli algoritmi di machine learning stessi. La maggior parte degli argomenti presentati sono trattati in modo minimalista; l'obiettivo dell'autore è quello di offrire una panoramica e indirizzare il lettore verso trattazioni più approfondite per ulteriori dettagli. È importante notare che questo documento riguarda il background matematico per il machine learning, non il machine learning in sé. Non vengono discussi modelli o algoritmi specifici di machine learning, se non di sfuggita per evidenziare la rilevanza di un concetto matematico. " Mathematics for Machine Learning ", di Thomas Garret, può essere scaricato gratuitamente qui:  https://gwthomas.github.io/docs/math4ml.pdf

People often pick standard models like ARIMA (Auto Regressive Integrated Moving Average), Exponential Smoothing, and Seasonal Decomposition of Time Series (STL) for time series analysis. They’re good because they’re easy to understand, sturdy against data assumptions, and based on strong theory. This is why they’re top choices for future predictions. As machine learning advances, we see a big increase in their use for predicting time series data. Tools like bagging and boosting stand out because they show great ability to spot tricky patterns and unusual links in time series data. Their unique feature is learning directly from raw data. They can deal with massive amounts of data and make accurate guesses. The following article is an experimental study that uses both statistical forecasts and machine learning-based forecasts to predict the future for a practical use case. The study then proceeds to compare the forecasts based on certain accuracy metrics in order to judge if the mach...

Titolo decisamente insulso, quello scelto da Wired, per un argomento decisamente interessante: qual è l'impatto dell'utilizzo dei dati sintetici sull'addestramento dei modelli di machine learning? Ed emerge il problema dell'overfitting. «Il peggior nemico dell’intelligenza artificiale potrebbe essere l’intelligenza artificiale stessa. Uno studio pubblicato lo scorso luglio da alcuni ricercatori della Rice e della Stanford University ha rivelato che l’allenamento dei modelli di AI attraverso dati sintetici sembra causarne l’erosione, almeno sul lungo periodo. Il termine coniato dagli studiosi per indicare questa apparente “autoallergia” dei software è Mad, acronimo di Model autophagy disorder (disordine autofagico del modello). Il paper solleva grandi interrogativi su quello che potrebbe essere il punto debole di una pratica già ampiamente diffusa nel settore dell’AI.» (Leggi tutto: https://www.wired.it/article/intelligenza-artificiale-dati-sintetici-problemi-dataset/ ) ...

L'utilizzo dell'intelligenza artificiale nelle previsioni meteo non è una novità. Ibm, che nel 2016 ha acquistato per due miliardi di dollari The Weather Company, una delle più importanti società del settore, e l'ha piazzata sotto l'ombrello della sua Ai, Watson, ricorda che si fa ricorso agli algoritmi dal 1970. Tuttavia, ricordano dall'Ecmwf, il Centro europeo per le previsioni meteo di medio termine (che pure lavora sul tema dal 2018), grandi passi in avanti sono stati compiuti tra febbraio 2022 e aprile 2023, con una serie di ricerca sull'accuratezza delle previsioni meteo da parte di sistemi di machine learning da parte di Huawei, Nvidia e Google Deepmind. D'altronde, quello delle previsioni meteorologiche è un settore che per Expert market research, un centro studi di mercato, nel 2027 arriverà a valere 3,85 miliardi di dollari (con un tasso di crescita annua dal 2022 del 5,6%). Leggi tutto:  https://www.wired.it/article/meteo-previsioni-intelligenza-...

Ecco alcune piattaforme, scelte da ChatGPT, che ti offriranno l'opportunità di partecipare a competizioni di machine learning stimolanti, confrontarti con altri data scientist e affinare le tue competenze: Kaggle ( www.kaggle.com ) è una delle piattaforme più famose per competizioni di machine learning. Offre una vasta gamma di competizioni con premi in denaro, dataset interessanti e un ambiente di sviluppo con strumenti integrati come notebook Jupyter. DrivenData ( www.drivendata.org ) è una piattaforma che mette in contatto scienziati dei dati con problemi socialmente rilevanti. Le competizioni su DrivenData spaziano da problemi di salute pubblica a sostenibilità e forniscono un modo per applicare le tue competenze di machine learning per scopi benefici. CrowdAI ( www.crowdai.org ) è una piattaforma per competizioni di machine learning organizzate da vari partner. Le competizioni su CrowdAI coprono una vasta gamma di argomenti, tra cui visione artificiale, elaborazione del lin...

Questo è l'elenco di libri in italiano consigliati da ChatGPT  per approfondire l'argomento del machine learning : Apprendimento automatico , di Roberto Battiti e Mauro Brunato , fornisce una panoramica completa dell'apprendimento automatico, coprendo i principi fondamentali, gli algoritmi più comuni e le loro applicazioni. È un testo adatto sia a studenti che a professionisti. Introduzione all'apprendimento automatico , di Ethem Alpaydin , offre un'introduzione chiara e accessibile all'apprendimento automatico. Copre i concetti di base, gli algoritmi principali e le applicazioni, con numerosi esempi e spiegazioni dettagliate. Machine Learning con Python , di Sebastian Raschka e Vahid Mirjalili , guida i lettori attraverso il processo di apprendimento automatico utilizzando il linguaggio di programmazione Python. Copre diversi argomenti, dalle basi dell'apprendimento automatico all'utilizzo di librerie come scikit-learn e TensorFlow. Deep ...

Ho chiesto a ChatGpT di indicarmi alcuni siti che potrebbero essermi utili per approfondire il machine learning  e questa è la sua scelta: Coursera ( www.coursera.org ): Coursera offre corsi online di alta qualità su una vasta gamma di argomenti, incluso il machine learning. Puoi seguire corsi come "Machine Learning" di Andrew Ng, che è molto popolare e ben strutturato. Kaggle ( www.kaggle.com ): Kaggle è una piattaforma di data science che ospita competizioni, dataset e risorse di apprendimento. Puoi partecipare alle competizioni di machine learning, collaborare con altri data scientist e accedere a molti tutorial e notebook condivisi. TensorFlow ( www.tensorflow.org ) e PyTorch ( pytorch.org ): Questi sono i due framework di machine learning più popolari e ampiamente utilizzati. I loro siti ufficiali offrono documentazione dettagliata, guide di apprendimento e una vasta gamma di risorse per iniziare con il machine learning. Medium ( medium.com ): Medium è una piattafor...

Ho chiesto a ChatGPT di prepararmi un piano di studio per approfondire l'argomento del machine learnign  e questo è il risultato. Non ho ancora le competenze per valutarlo: se avete idee, integrazioni, suggerimenti per migliorarlo vi chiedo di lasciarlo nei commenti. Grazie Fondamenti di matematica e statistica: Algebra lineare: vettori, matrici, operazioni, spazi vettoriali. Calcolo differenziale e integrale: derivate, integrali, regole di calcolo. Statistica: distribuzioni di probabilità, media, deviazione standard, inferenza statistica. Concetti di base del machine learning: Introduzione al machine learning: definizioni, tipi di apprendimento, approcci. Supervised learning: regressione, classificazione, funzioni di costo, algoritmi (regressione lineare, regressione logistica, support vector machines, decision trees, random forests). Unsupervised learning: clustering, riduzione della dimensionalità, algoritmi (K-means, PCA). Valutazione del modello: met...