import KerasClassifier import tensorflow as tf from sklearn.model_selection import GridSearchCV #read data data = pd.read_csv("/content/Dataset_Terremoti.csv") data = data[['Date', 'Time', 'Latitude', 'Longitude ', 'Depth', 'Magnitude']] data.head() #preprocessing dati timestamp = [] for d, t in zip(data['Date' ], data['Time']): try: ts = datetime.datetime.strptime(d+' '+t, '%m/%d/%Y %H:%M:%S') =80, llcrnrlon=-180,urcrnrlon=180,lat_ts=20,resolution='c') longitudes = data["Longitude"].tolist()

Ogni informazione è delimitata da un tag specifico, come questo: <data> <student name = "John"> email> hannah@mail.com </email> <grade> A </grade> <age> 17 </age> </student> </data Data la struttura dei file XML, possiamo rappresentarli come un albero, e questo è l'approccio utilizzato L'analisi del nostro file "students.xml" inizia dalla radice dell'albero, ovvero l' <data>elemento, che Ogni iterazione restituirà un set di dati che può essere pensato come un'osservazione in un DataFrame

Sono sicuro che, data la mia ignoranza totale sul linguaggio, dovrò accontentarmi di trovare qualche

Allora esistono letteralmente un infinità di data set che puoi scegliere e che fanno al tuo caso. Nello specifico ricapitolando ti serve un dataset con una prediction e un tipo di classificazione binaria del test della personalità DISC 1K risponde a 42 domande sulla personalità, informazioni tecniche - Dataset [TE LO CONSIGLIAMO] - Repository su GITHUB Diciamo che questi pensiamo sono i dataset con più spiegazioni , ti segnaliamo DATASET una raccolta di oltre 1500 dataset pronti per essere utilizzati.

Preparazione dei dati - Converti le sequenze esadecimali in array numerici per facilitare l'elaborazione - Crea un dataset di addestramento e di test suddividendo i dati storici disponibili. - Normalizza i dati per migliorare le prestazioni del modello. ( Questo passaggio non è obbligatorio - Queste architetture sono particolarmente adatte per elaborare sequenze di dati e apprendere le di base e richiederà sicuramente ulteriori ottimizzazioni e personalizzazioni per adattarsi ai tuoi dati

chiare: se l'obbiettivo è quello di calcolare i tempi di lavorazione in base ad un ordine, ci sono dei dati che servono alla elaborazione e dei dati "etichetta", che servono solo come riferimento. I dati che sono variabili nel processo di lavoro sono, se non ho capito male: Numero e tipologia dei

soluzioni proposte ma il risultato rimane comunque alto, sicuramente a causa della scarsa quantità di dati • Orario di fine (preso da ordine - uguale per tutti gli articoli del medesimo ordine) • Tutti i dati

le sequenze, contengono dei dati temporali... criptografati?

Una elaborazione non può che partire dai dati, se si hanno a disposizioni dati, si può cercare di fare In questo caso non credo sia possibile giungere ad una elaborazione affidabile dei dati. associano sempre le stesse lavorazioni, allora le cose potrebbero essere messe in relazione, su un database , ovviamente bisogna avere dei dati coerenti con quella tipologia di catalogazione dei dati. parti più difficili nell'utilizzo del machine learning credo consista proprio nella preparazione dei dati