Data Science Manuale Italiano Deep Learning
Download Data Science Manuale Italiano Deep Learning PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Data Science Manuale Italiano Deep Learning book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
Data Science Manuale Italiano – Advanced Machine Learning e Deployment
Questa opera segue il curriculum 2021 della Association for Computing Machinery per specialisti in Scienze dei Dati, con l’obiettivo di costituire un “Bignami” della Scienza ed Ingegneria dei Dati e facilitare il percorso di formazione personale a partire da competenze specialistiche in Informatica o Matematica o Statistica per un lettore di lingua madre italiana. Parte di una serie di testi, riepiloga prima di tutto la metodologia di lavoro standard CRISP DM utilizzata in questa opera e in progetti di Scienza dei Dati. Poichè questo testo utilizza Orange per gli aspetti applicativi, ne descrive l’installazione ed i widget. La fase di modellizzazione dei dati viene considerata nell’ottica dell’apprendimento automatico riepilogando i tipi di apprendimento automatico, i tipi di modelli, i tipi di problemi e i tipi di algoritmi. Sono descritti gli aspetti avanzati associati alla modellizzazione quali le funzioni di perdita e di ottimizzazione come la gradient descent, le tecniche per analizzare le prestazioni dei modelli come il Bootstrapping e la Cross Validation. Vengono analizzati gli scenari di deployment e le più comuni piattaforme, con esempi applicativi. Vengono proposti i meccanismi per automatizzare l’apprendimento automatico e per supportare l’interpretabilità dei modelli e dei risultati come Partial Dependence Plot, Permuted Feature Importance e altre. Gli esercizi sono descritti con Orange e Python con l’uso della libreria Keras/Tensorflow. Il testo è corredato di materiale di supporto ed è possibile scaricare gli esempi in Orange e i dati di prova.
Data Science Manuale Italiano – Deep Learning
Questa opera segue il curriculum 2021 della Association for Computing Machinery per specialisti in Scienze dei Dati, con l’obiettivo di costituire un “Bignami” della Scienza ed Ingegneria dei Dati e facilitare il percorso di formazione personale a partire da competenze specialistiche in Informatica o Matematica o Statistica per un lettore di lingua madre italiana. Parte di una serie di testi, riepiloga prima di tutto la metodologia di lavoro standard CRISP DM utilizzata in questa opera e in progetti di Scienza dei Dati. Poichè questo testo utilizza Orange per gli aspetti applicativi, ne descrive l’installazione ed i widget. La fase di modellizzazione dei dati viene considerata nell’ottica dell’apprendimento automatico riepilogando i tipi di apprendimento automatico. Sono descritte le tecniche di Deep Learning considerando le architetture del Perceptron, Neocognitron, il neurone con Backpropagation e le funzioni di attivazione, le Feed Forward Networks, gli Autoencoders, le reti ricorrenti e le LSTM e GRU, le Transformer Neural Networks, le Convolutional Neural Networks e le Generative Adversarial Networks ed analizzati i blocchi costruttivi. Gli esercizi sono descritti con Orange e Python con l’uso della libreria Keras/Tensorflow. Il testo è corredato di materiale di supporto ed è possibile scaricare gli esempi in Orange e i dati di prova.
Data Science Manuale Italiano - Modellazione e Machine Learning
Questa opera segue il curriculum 2021 della Association for Computing Machinery per specialisti in Scienze dei Dati, con l’obiettivo di costituire un “Bignami” della Scienza ed Ingegneria dei Dati e facilitare il percorso di formazione personale a partire da competenze specialistiche in Informatica o Matematica o Statistica per un lettore di lingua madre italiana. Parte di una serie di testi, riepiloga prima di tutto la metodologia di lavoro standard CRISP DM utilizzata in questa opera e in progetti di Scienza dei Dati. Poichè questo testo utilizza Orange per gli aspetti applicativi, ne descrive l’installazione ed i widget. Considera quindi il concetto di modello, il suo ciclo di vita e la relazione con misure e metriche. La fase di modellizzazione dei dati viene considerata nell’ottica dell’apprendimento automatico approfondendo i tipi di apprendimento automatico, i tipi di modelli, i tipi di problemi e i tipi di algoritmi. Dopo aver considerato le caratteristiche ideali di modelli ed algoritmi, viene compilato un vocabolario dei tipi di modelli e degli algoritmi e viene considerato il loro uso in Orange attraverso due progetti rispettivamente di tipo supervisionato e non supervisionato. Il testo è corredato di materiale di supporto ed è possibile scaricare gli esempi in Orange e i dati di prova.