Tutorial di Machine Learning

Scopri tecniche, applicazioni e strumenti di data augmentation con un tutorial su TensorFlow e Keras.

In questo tutorial, impara la classificazione con alberi decisionali, le misure di selezione degli attributi e come creare e ottimizzare un Decision Tree Classifier usando il pacchetto Scikit-learn di Python.

Scopri come implementare DBSCAN, capire i suoi parametri chiave e quando sfruttarne i punti di forza unici nei tuoi progetti di data science.

Esplora l’Explainable AI (XAI) e scopri come creare fiducia nei sistemi di IA con LIME e SHAP per l’interpretabilità dei modelli. Comprendi l’importanza di trasparenza ed equità nelle decisioni guidate dall’IA.

Impara il feature engineering con questa guida pratica. Esplora tecniche come encoding, scaling e gestione dei valori mancanti in Python.

Scopri in dettaglio il funzionamento interno del gradient boosting senza troppi mal di testa matematici e come regolare gli iperparametri dell’algoritmo.

I modelli di machine learning sono potenti ma difficili da interpretare. I valori SHAP possono aiutarti a capire come le caratteristiche del modello influenzano le previsioni.

Questo articolo spiega come e quando usare la classificazione k-nearest neighbors con scikit-learn. Focus su concetti, workflow ed esempi. Trattiamo anche le metriche di distanza e come selezionare il valore migliore di k tramite cross-validation.

In questo tutorial, scopri come applicare il clustering k-means con scikit-learn in Python

Isolation Forest è un algoritmo di machine learning non supervisionato che identifica anomalie o outlier isolandoli tramite partizionamenti casuali in una collezione di alberi decisionali.

Un tutorial su scikit-learn facile da seguire che ti aiuterà a iniziare con il machine learning in Python.

Scopri le funzioni di perdita nel machine learning, la differenza tra loss e cost function, i tipi come MSE e MAE e le loro applicazioni nei compiti di ML.