Pubblicati da AndreaBacciu2018
prova latex
<?prettify linenums=true?>print(“ciao”)<pre class=”prettyprint”>
Metodi Lineari per la Riduzione della Dimensionalità: Analisi delle Componenti Principali
Autore: Matteo Alberti Fra le metodologie per la riduzione lineare della dimensionalità le PCA o Componenti Principali sono certamente fra gli strumenti principe dello Statistical Machine Learning ( Apprendimento Automatico) . Sebbene vi si concentri molto spesso su strumenti in grado di catturare la componente non lineare l’analisi delle componenti principali risulta esser la […]
Long-term memory neural network 1 – Introduzione
Autore: Daniele D’armiento Le abilità cognitive come il riconoscimento, la previsione, la scelta di risposte e azioni, implicano tutte il recupero di informazioni memorizzate precedentemente. La sfida nello sviluppo di un’intelligenza artificiale consiste nel realizzare un modello in grado di memorizzare tante informazioni e in modo che siano velocemente recuperabili. Ma non è una novità […]
Incrustación estocástica de vecinos (SNE) y su corrección en t-SNE
Autor: Matteo Alberti Traducido per Carlos Alfaro Incrustación estocástica de vecinos (SNE) y su corrección en t-SNE En este tutorial nos disponemos a enfrentar el problema de reducción de la dimensionalidad, con una herramienta significativa: Stochastic Neighbor Embedding o “SNE”, como es normalmente conocido. La definición del problema es: […]
Metodi per la riduzione della dimensionalità basati sulla varietà differenziabile: il caso ISOMAP
Autore: Matteo Alberti In questo tutorial andiamo ad aprire una mini serie dedicata ai metodi di riduzione della dimensionalità basati su una struttura matematica chiamata varietà differenziabile (Manifold) Andiamo dunque a capire che cosa sia una varietà differenziabile, quando risulta utile e come applicarlo senza però entrare nel dettaglio sulla struttura e sulle proprietà […]
Apache Scala e Machine Learning (MLlib)
Autore: Antonio Berti In questo tutorial verrà illustrato l’uso della libreria di Apache Foundation per il Machine Learning ( Apprendimento Automatico) chiamata MLlib. MLib fa parte delle API di Spark ed è interoperabile con NumPy di Python oltre che con le librerie di R. Implementato con Spark è possibile utilizzare ogni tipo di origine dati […]
Installazione di Keras/Tensorflow-Theano su Windows
Autore: Francesco Pugliese & Matteo Testi In questo post vediamo come affrontare l’annoso problema dell’installazione su Windows del noto framework per Deep Learning “Keras” e di tutto lo stack di backend “Tensorflow / Theano“. L’installazione parte con la necessità di scaricare il pacchetto relativo a Python 3. Scegliamo Miniconda al seguente link: https://conda.io/miniconda.html che […]