Immagina di voler prevedere se uno studente realizzerà un colloquio di lavoro basato sul suo curriculum. Ora, supponiamo di formare un modello da un set di dati di 7.000 curriculum e i loro risultati. Successivamente, proviamo il modello sull’insieme di dati originale e notiamo che prevede risultati con un’accuratezza del 99%. Ottimo! Ma ora arrivano […]
Modello di regressione lineare tramite algoritmo Gradient Descent in Python
Gradient Descent è un algoritmo di ottimizzazione generico in grado di trovare soluzioni ottimali per una vasta gamma di problemi. L’idea generale della discesa del gradiente è modificare i parametri in modo iterativo per ridurre al minimo una funzione di costo. In altre parole, ciò significa trovare i parametri del modello (ad es. coefficienti o […]
Algoritmo Discesa del Gradiente
L’obiettivo di qualsiasi algoritmo di apprendimento automatico è quello di ridurre, se non eliminare, la differenza tra i valori previsti e quelli effettivi di un modello di apprendimento. Questo perché un errore inferiore tra i valori effettivi e quelli previsti indica che l’algoritmo ha svolto un buon lavoro nell’apprendimento. Ridurre questa differenza altro non significa […]
Introduzione al Cognitive Computing
L’avvento di IBM Watson e delle sue incredibili capacità ha dato il via alla cosiddetta era cognitiva. Detta anche informatica cognitiva (o cognitive computing), in un certo senso, rappresenta la terza era dell’informatica, grazie all’accumulo e all’utilizzo di dati strutturati e non strutturati in continua espansione (i cosiddetti “big data”). Il computing cognitivo può dare […]
Metodi di codifica di variabili categoriali: Label Encoding vs One-Hot Encoding
Nei modelli di machine learning è prassi comune convertire le variabili categoriali, ad esempio testo, nella loro rappresentazione numerica. I due modi più comuni per farlo sono quello di utilizzare il Label Encoder o l’One-Hot Encoder. La scelta di uno o l’altro metodo può avere un forte impatto sull’accuratezza e sulle prestazioni finali del modello. […]
Riduzione della dimensionalità attraverso l’algoritmo PCA in Python
L’idea principale dell’analisi delle componenti principali (PCA) è quella di ridurre la dimensionalità di un set di dati costituito da molte variabili più o meno correlate tra loro, mantenendo la variazione presente nel set di dati, nella misura massima. Ciò viene fatto trasformando le variabili in un nuovo insieme di variabili, che sono conosciute come […]