Machine Learning con Python: l'introduzione
- 1. Machine Learning il corso pratico presentato da Lezione 1 Perchè l'AI è hot ?
- 4. 2000 WEB 2.0
- 7. COSA E' L'INTELLIGENZA ARTIFICIALE ? E' quella branca dell'informatica che si occupa di fornire ai computer l'abilità di risolvere problemi che richiedono l'intelligenza umana
- 8. COME IL RAGIONAMENTO STRATEGICO
- 9. COME LA PERCEZIONE VISIVA
- 10. COME IL RICONOSCIMENTO DEL PARLATO
- 11. La maggior parte delle persone non riesce a capire quanto velocemente l'intelligenza artificiale stia avanzando E' molto più veloce di qualsiasi cosa sia mai stata realizzata. ELON MUSK Co-founder @ Paypal CEO & Founder @ Tesla and SpaceX STA PROGREDENDO ESPONENZIALMENTE
- 12. L'AI E' LA NEXT BIG THING INNUMEREVOLI APPLICAZIONI COMMERCIALI FINANCE MARKETING AUTOMOBILE GAMING MILITARY SECURITY HEALTHCARE EDUCATION MEDIA E MOLTO MOLTO ALTRO...
- 15. Machine Learning il corso pratico presentato da Lezione 2 Cosa è il Machine Learning ?
- 16. Cosa e' il MACHINE LEARNING ?
- 17. Cosa e' il machine learning "E' il settore dell'intelligenza artificiale che studia come dare ai computer l'abilità di imparare senza essere esplicitamente programmati" - 1959 ARTHUR SAMUEL Pioniere dell'AI Inventore del termine "Machine learning"
- 18. Algoritmo per andare a lavoro Esci di casa Lavori vicino a casa ? Vai a piedi Hai un auto ? Vai in auto NO Prendi un mezzo pubblico NO SI SI Arrivato
- 19. COMPLESSITA'
- 25. E' un gatto
- 26. Title Subtitle
- 28. E' un gatto
- 29. ?????????
- 30. Algoritmo per riconoscere oggetti Osserva la foto Riconosciuto
- 31. Algoritmo per riconoscere oggetti Osserva la foto Riconosciuto Machine learning
- 32. Programmazione classica Hard coding delle regole Dati di input Risultato Machine learning Input data L'algoritmo impara le regole Risultato
- 33. Riconoscimento di oggetti Elaborazione del linguaggio parlato Recommender system Fraud detection Veicoli a guida autonoma Diagnosi mediche Analisi di rischio Customer segmentation E MOLTO ALTRO...
- 34. Il machine learning si basa su statistica e probabilità 92% gatto 8% tigre
- 36. La tua foto è stata rimossa perchè conteneva elementi a sfondo sessuale
- 38. 1997 - Deep Blue batte il campione di scacchi Garry Kasparov 2008 - Watson vince a Jeopardy! contro i campioni Ken Jennings e Brad Rutter 2016 - AlphaGo batte a Go il 18 volte campione del mondo Lee Seldon
- 39. PERCHE' OGGI ? MAGGIORE POTENZA DI CALCOLO DISPONIBILE
- 40. PERCHE' OGGI ? DISPONIBILITA' DI ENORMI QUANTITA' DI DATI
- 41. Machine Learning il corso pratico presentato da Lezione 3 ... ed il Data Science ?
- 43. 130 exabyte
- 44. Unità di misuraUnità di misura SimboloSimbolo Numero di byteNumero di byte kilobyte kB Migliaia (10³) megabyte MB Milioni (10 ) gigabyte GB Miliardi (10 ) terabyte TB Bilioni (10¹²) petabyte PB Biliardi (10¹ ) exabyte EB Trilioni (10¹ ) zettabyte ZB Triliardi (10²¹) yottabyte YB Quadriloni (10² )
- 47. = 5 EB
- 48. Data science = statistica sotto steroidi Dati generati dall'uomo in exabyte 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000 45,000
- 49. Data science = statistica sotto steroidi
- 50. Data science = statistica sotto steroidi
- 51. Cosa e' il data science Il data science è un campo interdisciplinare che ha lo scopo di estrarre informazioni dai dati, qualsiasi forma e dimensione essi abbiano STATISTICA + DATA ANALYSIS + MACHINE LEARNING = DATA SCIENCE
- 52. DATA SCIENCE INFORMAZIONIDATI Permette di estrarre informazioni o insights da dati non strutturati
- 53. Il processo del data science 1. Definire il problema 2. Raccogliere i dati 3. Processare i dati 4. Costruire il modello 5. Presentare i risultati DATA MINING MACHINE LEARNING
- 55. Analisi di affinità Trovare relazioni tra attività svolte da individui o gruppi di individui
- 56. Market basket analysis ES. Il 95% di chi acquista insieme l'articolo A e l'articolo B acquista anche l'articolo C
- 58. +
- 59. +
- 62. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 63. Machine Learning il corso pratico presentato da Lezione 4 Come funziona il Machine Learning ?
- 66. Dati Algoritmo
- 68. Addestramento Dati Algoritmo Modello Parametri Modelli
- 69. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 70. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 71. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 72. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 73. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 74. Addestramento Dati Algoritmo Modello Test Parametri Modelli
- 80. Machine Learning il corso pratico presentato da Lezione 5 Le tecniche del machine learning
- 81. Apprendimento supervisionato Hai a disposizione input ed output (label) ed utilizzi il machine learning per trovare una relazione tra di essi
- 82. Apprendimento supervisionato L'output è una quantità continua (un numero) Regressione ES. Trovare la relazione tra il numero di stanze di un'abitazione ed il suo valore.
- 83. Apprendimento supervisionato L'output è una quantità continua (un numero) Regressione ES. Trovare la relazione tra il numero di stanze di un'abitazione ed il suo valore.
- 84. Apprendimento supervisionato L'output è una quantità continua (un numero) Regressione ES. Trovare la relazione tra il numero di stanze di un'abitazione ed il suo valore.
- 85. Apprendimento supervisionato L'output è una quantità continua (un numero) Regressione ES. Trovare la relazione tra il numero di stanze di un'abitazione ed il suo valore.
- 86. Apprendimento supervisionato L'output è una classe discreta (un label) Classificazione ES. Distinguere vino da birra in base ad intensità del colore e gradazione alcolica
- 87. Apprendimento non supervisionato Hai a disposizione solo gli input senza una classe label, lo scopo è quello di trovare strutture all'interno dei dati per capire di più su di essi
- 88. Apprendimento non supervisionato Raggruppare dati i base a proprietà comuni Clustering ES. Raggruppare acquirenti in base alle abitudini di acquisto
- 89. Apprendimento non supervisionato Associations Trovare regole che descrivono una porzione grande di dati ES. Chi ha acquistato questo prodotto ha acquistato anche quest'altro
- 90. Apprendimento semi-supervisionato Utilizzare pochi dati con label e molti dati senza per trovare strutture all'interno della loro distribuzione