L’IA è la capacità delle macchine di svolgere compiti che normalmente richiedono intelligenza umana,

Oltre un anno fa, l'innovativo ChatGPT ha rivoluzionato il panorama tecnologico. Difficile credere che un chatbot basato sull'intelligenza artificiale potesse gestire attività complesse, come il riassunto di articoli o la pianificazione dettagliata di itinerari di viaggio, con pochi suggerimenti e in pochi secondi. Oggi, queste capacità sono diventate la norma. OpenAI, la mente dietro ChatGPT, ha lanciato di recente una straordinaria possibilità: la creazione di GPTs personalizzati. Ora chiunque può plasmare la propria versione di ChatGPT, adattandola alle esigenze aziendali o agli obiettivi personali, in pochi minuti. Ecco come dare vita al tuo ChatGPT personalizzato sfruttando il potente generatore GPTs di OpenAI. Nota: Al momento, la creazione di un GPTs personalizzato è riservata agli utenti ChatGPT Plus ed Enterprise. Indice dell'articolo: Che cosa sono i GPTs? Come creare il tuo ChatGPT personalizzato con i GPTs Modificare il tuo GPTs personalizzato Un'opportunità imperdibile per ampliare il tuo orizzonte nell'universo dell'intelligenza artificiale. Cosa Sono i GPTs? I GPTs rappresentano una straordinaria evoluzione di ChatGPT, consentendo agli utenti di plasmare la propria esperienza AI in modi unici e personalizzati. Basta dire al costruttore GPTs cosa desideri, e da lì inizia la magia. Ecco cosa è emerso dal costruttore GPTs quando gli ho chiesto di creare un chatbot specializzato nel condividere fatti divertenti sulle lontre. Puoi persino configurare il tuo GPTs per navigare sul web, generare immagini con DALL·E3 ed eseguire codice. Mentre gli utenti ChatGPT Plus o Enterprise possono già personalizzare le risposte di ChatGPT con istruzioni personalizzate, il generatore GPTs porta l'esperienza un passo avanti in due modi significativi: Crea più GPTs personalizzati: Non ci sono limiti al numero di GPTs che puoi creare, facilitando il passaggio da un chatbot all'altro e ottenendo il giusto supporto basato sull'intelligenza artificiale per ogni occasione. Le istruzioni personalizzate, d'altra parte, ti vincolano a un set specifico di istruzioni per utente. Carica file di origine della conoscenza: Piuttosto che copiare e incollare il testo da ogni risorsa che vuoi che ChatGPT consideri durante la generazione di risposte, puoi caricare direttamente i file di conoscenza nel tuo generatore GPTs, lasciando che esso si occupi del resto. Nota: Nell'ambito dei rigorosi controlli sulla privacy di OpenAI, hai la possibilità di disattivare il tuo account dall'addestramento del modello. Ciò garantisce che OpenAI non possa accedere a informazioni sensibili, come la cronologia della chat e i file di conoscenza, per addestrare i propri modelli. Tuttavia, come con qualsiasi intelligenza artificiale generativa, è sempre prudente considerare il rischio potenziale di violazioni dei dati e l'accesso non autorizzato alle tue fonti di conoscenza. Presta particolare attenzione a ciò che carichi nei primi giorni di utilizzo di questa innovativa funzionalità. Come Creare il Tuo GPTs : Guida Dettagliata Sei pronto a immergerti nella creazione del tuo ChatGPT personalizzato? Ecco una guida dettagliata che ti condurrà attraverso il processo utilizzando il potente generatore GPT di OpenAI. Assicurati di seguire attentamente ogni passo per ottenere il massimo dal tuo assistente AI personalizzato. Accedi a chat.openai.com: Apri il tuo browser e accedi a chat.openai.com. Effettua il login per accedere al portale. Esplora le Opzioni: Naviga nella barra laterale e fai clic su "Esplora". È qui che inizia il tuo viaggio nella creazione di GPTs personalizzati. Crea un GPT: Fai clic su "Crea un GPT". Questa è la tua porta d'ingresso per dare vita al tuo assistente AI su misura. Inserisci Istruzioni: Nella pagina di creazione, inserisci le tue istruzioni nella casella di messaggio. Interagisci con il generatore GPT fino a ottenere i risultati desiderati. Configura Personalizzazioni Avanzate: Perfeziona ulteriormente il tuo assistente AI. Clicca su "Configura" per aggiungere personalizzazioni avanzate. Modifica il nome del tuo chatbot, raffina le istruzioni, carica file di conoscenza e imposta azioni specifiche. Salva e Condividi: Dopo aver apportato le personalizzazioni desiderate, clicca su "Salva". Seleziona il metodo di condivisione più adatto alle tue esigenze. Conferma la Creazione: Fai clic su "Conferma". Il tuo GPT personalizzato è ora ufficialmente creato e pronto per l'uso. Questa guida fornisce solo una panoramica generale. Ora, immergiamoci nei dettagli più fini dell'utilizzo dei GPTs, esplorando tutte le funzionalità avanzate e le opportunità che il generatore di OpenAI offre per personalizzare l'esperienza dell'utente. Continua a leggere per svelare tutte le potenzialità del tuo nuovo assistente AI su misura. 1. Accedi al tuo account OpenAI Prima di iniziare, devi disporre di un account ChatGPT Plus o Enterprise. Hai già il tipo di account richiesto? Fai clic su Accedi per iniziare a chattare. Se hai problemi ad accedere, la soluzione migliore è ricaricare la pagina. Per problemi di accesso specifici, consulta i suggerimenti per la risoluzione dei problemi di OpenAI . 2. Crea il Tuo GPTs Entra nel mondo della creazione del tuo GPTs con questa guida dettagliata. Segui i passi qui di seguito per plasmare il tuo chatbot secondo le tue esigenze, sfruttando appieno le potenzialità del generatore GPT di OpenAI. Esplora le Opzioni: Nella barra laterale, fai clic su "Esplora". Questo è il punto di partenza per il tuo viaggio di creazione. Crea il Tuo GPTs: Fai clic su "Crea un GPTs". Entra nel pannello di creazione, dove prendi il controllo del destino del tuo assistente AI personalizzato. Pannello Diviso: Il pannello Crea ti consente di inserire istruzioni per costruire il tuo chatbot, mentre il pannello Anteprima ti offre un'anteprima interattiva del tuo assistente AI in fase di creazione. Inserisci Istruzioni: Nella finestra di messaggio della pagina Crea, inserisci le istruzioni desiderate e premi Invio o A capo. Suggerimenti del Generatore: Il generatore GPTs ti proporrà suggerimenti iniziali, come il nome del chatbot, un'immagine del profilo e avviatori di conversazione predefiniti. Puoi accettare o personalizzare queste proposte. Ottimizzazione del Comportamento: Il builder GPT ti guiderà nel perfezionamento, chiedendoti istruzioni più specifiche per ottimizzare il comportamento del tuo chatbot. Se non sei sicuro, puoi testare il tuo chatbot nel pannello Anteprima, interagire con esso e utilizzare le risposte per informare le tue modifiche. Raffina e Perfeziona: Continua a perfezionare le tue istruzioni finché il tuo chatbot inizia a restituire risposte che rispecchiano perfettamente il tipo di interazioni che desideri. Modifica, sperimenta e goditi il processo di creazione personalizzata del tuo GPTs. Segui questi passaggi con cura e avrai un assistente AI su misura pronto a soddisfare le tue esigenze specifiche. Non esitare a sperimentare e a esplorare le infinite possibilità offerte dal generatore GPT di OpenAI. 3. Configura il Tuo GPTs Hai impostato le fondamenta, ora è il momento di dare al tuo GPTs una personalizzazione avanzata per renderlo veramente unico. Segui questi passaggi per modellare il comportamento e le funzionalità del tuo assistente AI in modo più dettagliato. Fai clic su Configura: Perfeziona il tuo GPTs con impostazioni avanzate, cliccando su "Configura". Modifica Nome e Descrizione: Personalizza il nome e la descrizione del tuo GPTs come preferisci. Immagine del Profilo: Fai clic sull'immagine del profilo per caricare la tua foto o utilizzare DALLE·3 per generarne una automaticamente. Se desideri specificare il tipo di immagine, clicca su "Crea" e inserisci le istruzioni. Istruzioni Avanzate: Aggiorna le istruzioni generate dal generatore GPTs o inserisci nuove indicazioni su come il tuo chatbot dovrebbe comportarsi. Avviatori di Conversazione: Rimuovi o aggiungi avviatori di conversazione secondo le tue preferenze. Basta cliccare sulla "X" per eliminare o inserire nuovi messaggi. Gestione della Conoscenza: Decide come il tuo GPTs deve accedere alla conoscenza. Carica file per guidare lo stile delle risposte o fornire contesto aggiuntivo dai PDF dei clienti. Potenzia le Capacità: Modifica le capacità del tuo GPTs. Abilita la navigazione web, la generazione di immagini AI e, se necessario, attiva l'interprete di codice. Aggiungi Azioni: Se vuoi che il tuo chatbot compia azioni al di fuori di ChatGPT, fai clic su "Aggiungi azioni". Specifica come utilizzare le API di terze parti per recuperare informazioni esterne. Ottimizza le Funzionalità: Esplora le opzioni di ottimizzazione. Se il tuo GPTs non sta utilizzando le istruzioni caricate come desideri, sperimenta con istruzioni più chiare per garantire un apprendimento più accurato. Seguendo attentamente questi passaggi, plasmerai il tuo GPTs in un assistente AI avanzato, pronto a soddisfare le tue esigenze specifiche e ad affrontare sfide complesse con agilità e intelligenza. Esplora le possibilità e continua a perfezionare il tuo GPTs per un'esperienza personalizzata senza precedenti. 4. Salva e Utilizza il Tuo GPT: Approfondimento e Interazione Una volta che hai plasmato il tuo chatbot secondo le tue esigenze e sei pronto a vederlo in azione, è il momento di salvare il tuo lavoro. Ecco come farlo: Fai clic su Salva o Aggiorna: Sei soddisfatto del tuo GPT personalizzato? Fai clic su "Salva". Se stai apportando modifiche a un GPT esistente, seleziona "Aggiorna". Selezione delle Opzioni di Condivisione: Scegli con attenzione con chi vuoi condividere il tuo chatbot. Le opzioni includono "Solo io", "Solo le persone con un collegamento", "Pubblico", e se hai un piano Enterprise, "Chiunque presso [la tua azienda]". Conferma: Fai clic su "Conferma" per finalizzare le tue scelte. Ora il tuo GPT, insieme a qualsiasi altro GPT personalizzato che hai creato, è disponibile nel pannello laterale della home page di ChatGPT. Interagisci con il Tuo Chatbot Personalizzato: Seleziona il GPT che desideri utilizzare e inizia a interagire con esso come faresti normalmente. Ad esempio, potresti avere un chatbot specializzato per scrivere descrizioni testuali alternative per le immagini utilizzate negli articoli di IA ITALIA. È importante notare che, essendo il generatore GPTs in versione beta e considerando che ChatGPT potrebbe occasionalmente mostrare stranezze, è consigliabile confermare l'accuratezza delle risposte del tuo GPTs personalizzato. 5. Condividi il Tuo GPTs: Espandi l'Influenza del Tuo Chatbot Se hai deciso di condividere il tuo GPTs personalizzato con il mondo, segui questi passaggi per rendere questo processo agevole: Esplora le Opzioni di Condivisione: Nella barra laterale, fai clic su "Esplora". Seleziona il GPTs da Condividere: Trova e fai clic sul GPTs che desideri condividere. Crea un Collegamento: Clicca sull'accento circonflesso ( ∨) accanto al nome del tuo chatbot. Seleziona "Copia collegamento". Condividi il Collegamento: Incolla e condividi il collegamento come faresti normalmente, estendendo così l'influenza del tuo chatbot personalizzato. Modifica e Gestione del Tuo GPTs: Flessibilità nelle Personalizzazioni Ora, se desideri apportare modifiche al tuo chatbot personalizzato, segui questi passaggi: Modifica il Tuo GPTs: Nella barra laterale, fai clic su "Esplora" e successivamente su "Modifica" accanto al GPT che desideri modificare. Aggiorna Impostazioni: Apporta le modifiche necessarie alle impostazioni del tuo GPTs e fai clic su "Aggiorna", seguito da "Conferma". Se, per qualche motivo, desideri eliminare un GPTs personalizzato, segui questi passaggi: Elimina il Tuo GPTs: Nella barra laterale, fai clic su "Esplora". Accanto al GPTs da eliminare, fai clic sull'icona "Altro" ( ...). Clicca su "Elimina GPTs" e conferma la tua scelta. Conclusioni: Realizza il Tuo Chatbot Perfetto E con questo, abbiamo esplorato l'intero processo di creazione, salvataggio, condivisione e gestione del tuo GPTs personalizzato. Ora hai a disposizione un potente assistente AI pronto a supportarti nelle tue attività quotidiane. Tuttavia, ricorda di continuare a esplorare le potenzialità del generatore GPTs di OpenAI, perché l'innovazione non ha mai fine. Ora, se vorrete scusarmi, ho delle importanti attività aziendali a cui dedicarmi, ma in realtà, continuerò a perfezionare il mio chatbot Otterly Affascinante. L'avventura nella personalizzazione AI non ha mai fine, e il mio impegno è garantire che il mio chatbot raggiunga livelli di affascinante perfezione.

Keras è una libreria Python semplice e potente per il deep learning. Dato che l'addestramento dei modelli di deep learning può richiedere ore, giorni e persino settimane, _____ acc: 77.73% Riepilogo In questo post, hai scoperto come serializzare i tuoi modelli di deep learning Hai domande sul salvataggio dei tuoi modelli di deep learning o su questo post?

Interpretabilità: Questo concetto riguarda la possibilità di comprendere il modello di machine learning learning, l'approccio basato su regole esplicite e l'uso di modelli trasparenti come alberi decisionali IA spiegabile, vengono utilizzate diverse tecnologie e algoritmi: Interpretazione degli algoritmi di machine learning: Questi strumenti analizzano come il modello prende decisioni, identificando le caratteristiche Esempi di applicazione dell'XAI Esempi di applicazione dell'XAI includono modelli di credit scoring che

La convoluzione è fondamentalmente il processo di applicazione del kernel su ogni pixel dell'immagine Puoi anche usare l'applicazione precedente per estrarre i bordi dall'immagine. Pensi che la seconda applicazione possa aver avuto un ruolo in questo? Le applicazioni che abbiamo trattato in questo articolo sono solo la punta dell'iceberg. Imparerai gli approcci di deep learning per risolvere problemi complessi.

Introduzione alle Reti Neurali nel Trading Negli articoli precedenti : Machine Learning per il trading Learning per il Trading Le reti neurali si basano su un insieme di unità connesse (neuroni), che, proprio Cercheremo tuttavia di semplificare la parte introduttiva per tuffarci nel Deep Learning alla ricerche Questo “9” standard é quello che, in un processo di “supervised” machine learning, chiamiamo etichetta LSTM su GOLD Seguendo il solito principio di costruzione di un codice di machine learning3 , partiamo

di algoritmi generativi Una delle applicazioni più promettenti degli algoritmi generativi nell'arte Ciò potrebbe essere utile per applicazioni come la prova virtuale, in cui gli utenti possono vedere come Un'altra applicazione degli algoritmi generativi nell'arte e nella musica è la generazione di animazioni Ciò potrebbe essere utile per applicazioni come la realtà virtuale, in cui gli utenti possono interagire Queste applicazioni di algoritmi generativi hanno il potenziale per ispirare e abilitare nuove forme

Comprendere l'importanza della qualità dei dati nel machine learning e le varie tecniche utilizzate per Questo articolo tratterà le basi del machine learning e l'importanza della qualità dei dati per il successo dei modelli di machine learning. L'elaborazione dei dati sta preparando i dati per l'uso nei modelli di machine learning. Conclusione La qualità dei dati è fondamentale per il successo dei modelli di machine learning.

Come capire se uno studente o un dipendente sta utilizzando ChatGPT di OpenAI per completare un compito? Questo articolo ti darà tutti gli strumenti per capirlo! Il 30 novembre 2022, OpenAI ha rilasciato il sistema AI "ChatGPT" (https://openai.com/blog/chatgpt/), che è un assistente universale alla scrittura che può generare una varietà di risultati, inclusi i compiti scolastici. L'output (ad esempio, saggi, frasi, email, codici, etc... ) fornito da ChatGPT è così buono, che se fossi uno studente, userei ChatGPT per completare la maggior parte dei miei compiti scolastici con piccole revisioni. Ciò si traduce in un dilemma per i professori e gli insegnati, perchè è molto difficile capire se è lo studente che ha scritto il saggio o se l ha scritto ChatGPT. Avrebbero bisogno di una sorta di strumento per verificarlo. Ad esempio, se l'insegnante assegna i compiti sull'importanza della Dottrina Monore, uno studente può utilizzare ChatGPT per scrivere un saggio sulla Dottrina Monroe: OUTPUT CHATGPT La Dottrina Monroe era una dichiarazione di politica estera rilasciata dal presidente James Monroe nel 1823. Dichiarava che gli Stati Uniti non avrebbero interferito negli affari dei colonizzatori europei e che qualsiasi tentativo da parte delle potenze europee di colonizzare o interferire con stati indipendenti nelle Americhe avrebbe essere visto come una minaccia per gli Stati Uniti. La buona notizia è che OpenAI è consapevole delle preoccupazioni espresse dagli educatori e ha pubblicato Considerazioni per insegnanti su ChatGPT . Inoltre, sono attualmente disponibili strumenti per rilevare se il testo è stato generato dall'intelligenza artificiale. Classificatore di testo AI OpenAI Demo del rivelatore di output su OpenAI GPT-2 GPTZeroX di Edward Tian (Università di Princeton) DetectGPT della Stanford University Potresti voler utilizzare tutti e quattro gli strumenti per rilevare se il testo è stato generato dall'intelligenza artificiale poiché nessuno di questi strumenti è accurato al 100%. Ma prima di vedere tutti i siti o software che puoi usare per capire se un testo è stato scritto da un umano o no vediamo cosa può portare fare compiti con l' IA. Come rilevare testo generato da Intelligenze Artificiali IA? Ci sono diverse tecniche per rilevare il testo generato da un'IA, come l'utilizzo di software di controllo del plagio IA ( Che vedremo tra poco ) o l'analisi delle proprietà linguistiche del testo. Ad esempio, il software di controllo del plagio può identificare se il testo presenta somiglianze con altre fonti presenti in rete. D'altro canto, l'analisi delle proprietà linguistiche del testo può aiutare a individuare tracce di linguaggio innaturali che sono tipiche della scrittura generata da un'IA. In entrambi i casi, è importante utilizzare queste tecniche con cautela e considerare anche altri fattori, come lo stile unico di scrittura di uno studente, prima di giungere a conclusioni definitive. Conseguenze per gli studenti che utilizzano l'IA L'utilizzo di ChatGPT o di qualsiasi altra forma di intelligenza artificiale per completare i compiti scolastici può avere conseguenze negative per gli studenti. In primo luogo, la mancanza di sviluppo delle competenze di scrittura autentiche può rendere gli studenti meno preparati per il mondo del lavoro. In secondo luogo, se gli studenti vengono scoperti a utilizzare l'intelligenza artificiale per completare i compiti, possono essere sanzionati o anche espulsi. Questo può avere un impatto negativo sulla loro carriera scolastica e professionale. Prevenire l'uso improprio dell'intelligenza artificiale Gli insegnanti possono prevenire l'uso improprio dell'intelligenza artificiale adottando alcune misure. Ad esempio, possono incoraggiare lo sviluppo di competenze di scrittura autentiche attraverso l'assegnazione di compiti creativi e originali. Inoltre, possono utilizzare tecnologie di rilevamento del plagio per individuare eventuali casi di utilizzo improprio dell'intelligenza artificiale. E noi vi daremo tutti gli strumenti! NON UNO SOLO! Come rilevare testo generato da IA : tool 1 Classificatore di testo AI OpenAI OpenAI ha rilasciato AI Text Classifier il 31 gennaio 2023. AI Text Classifier è un modello GPT ottimizzato che prevede quanto è probabile che un pezzo di testo sia stato generato dall'intelligenza artificiale da una varietà di fonti, come ChatGPT. Puoi accedere a AI Text Classifier navigando su https://platform.openai.com/ai-text-classifier e accedendo al sito Web utilizzando il tuo account OpenAI ChatGPT. Per dimostrare lo strumento, ho copiato e incollato il saggio sopra e un po' di più, poiché richiede più di 1.000 caratteri, come mostrato di seguito: Lo strumento ha determinato che questo testo è stato probabilmente generato dall'intelligenza artificiale. Anche se sconsigliano d'immettere il testo direttamente in italiano noi ci abbiamo provato e funziona abbastanza bene. Come rilevare testo generato da IA : tool 2 Demo del rivelatore di output su OpenAI GPT-2 Lo strumento di OpenAI è ospitato su Hugging Face e si chiama GPT-2 Output Detector Demo che è stato sviluppato da OpenAI (vedi i dettagli qui => https://huggingface.co/roberta-base-openai-detector ). Puoi accedere alla demo del rilevatore di output GPT-2 navigando su https://huggingface.co/openai-detector . Per dimostrare lo strumento, ho copiato e incollato il saggio sopra, come mostrato di seguito: Lo strumento ha determinato che esiste una probabilità del 99,61% che questo testo sia stato generato utilizzando OpenAI GPT. Come rilevare testo generato da IA : tool 3 GPTZeroX Edward Tian (Princeton) ha aggiornato uno strumento a GPTZeroX ( http://gptzero.me/ ) il 29 gennaio 2023; precedentemente rilasciato il 2 gennaio 2023 come GPTZero. Lo strumento cerca sia "perplessità" che "esplosione". La perplessità misura la probabilità che ogni parola venga suggerita da un bot; un essere umano sarebbe più casuale. Burstiness misura i picchi nella perplessità di ogni frase. Un bot avrà probabilmente un grado di perplessità simile da frase a frase, ma è probabile che un essere umano scriva con punte, forse una frase lunga e complessa seguita da una più breve. Puoi accedere a GPTZeroX navigando su http://gptzero.me/ . Per dimostrare lo strumento, ho copiato e incollato il saggio sopra e un po' di più come mostrato di seguito: Lo strumento ha determinato che questo testo è stato probabilmente generato dall'intelligenza artificiale. Inoltre, GPTZeroX fornisce sia Perplexity Score che Burstiness Score. Come rilevare testo generato da IA : tool 4 DetectGPT La Stanford University ha rilasciato DetectGPT ( https://detectgpt.ericmitchell.ai/ ) il 31 gennaio 2023. DetectGPT è un metodo generico per utilizzare un modello linguistico per rilevare le proprie generazioni; tuttavia, questa prova di concetto rileva solo se una particolare parte di testo proviene da GPT-2 . I rilevamenti su campioni di altri modelli possono essere particolarmente inaffidabili. Potremmo aggiungere modelli più grandi come GPT-J (6B), GPT-NeoX (20B) o GPT-3 (175B) in futuro; eseguiamo valutazioni con questi e altri modelli nel nostro documento per il sito Web DetectGPT. Puoi accedere a DetectGPT navigando su https://detectgpt.ericmitchell.ai/ . Per dimostrare lo strumento, ho copiato e incollato il saggio sopra e un po' di più come mostrato di seguito: Tieni presente che ho dovuto mantenere il testo sotto le 200 parole, in modo da non surriscaldare le loro GPU per sito web. Lo strumento ha determinato che è probabile che questo testo provenga da GPT-2. Inoltre, DetectGPT fornisce testi perturbati. Altri strumenti per rilevare l'output di chat gpt Esistono altri due strumenti per rilevare se il testo è stato generato dall'intelligenza artificiale, che non ho provato: Rilevatore di contenuto AI di Writer Content at Scale AI Content Detection Vai a provare tutti e quattro gli strumenti! Si prega di notare che questi strumenti, come tutto in AI, hanno un'alta probabilità di rilevare l'output di testo generato dall'IA, ma non al 100% come attribuito da George EP Box "Tutti i modelli sono sbagliati, ma alcuni sono utili". Risorse per rilevare l'output di testi generati dall' IA compresa CHAT GPT Di seguito è riportato un elenco delle risorse utilizzate o a cui si fa riferimento in questo tutorial: Considerazioni dell'educatore per ChatGPT Classificatore di testo AI Hugging Face Demo del rilevatore di uscita GPT-2 Dettagli sul rilevatore di uscita GPT-2 GptZeroX OpenAI chatGPT DetectGPT Rilevamento delle generazioni GPT-2 con DetectGPT

In questo post, ti convincerò che la creazione di un portfolio di machine learning ha valore per te, Scoprirai cos'è esattamente un portfolio di machine learning , i tipi di progetti che possono essere Vantaggi dell'avere portfolio di Data Science o Machine Learning Se hai appena iniziato come principiante La creazione di un portfolio di machine learning è un esercizio prezioso per te e per gli altri. Successivamente, esamineremo cos'è esattamente un portfolio di machine learning.

Learning e di Data Visualization. Learning o Data Science. Sfruttare i dati nel calcio usando il Machine Learning Dopo aver visto, come i dati possono cambiare Ad oggi, nel mondo del calcio, ci sono 3 principali metodologie per sviluppare un Machine Learning efficiente learning.

Il Deep Learning è una tecnica di Machine Learning che utilizza reti neurali profonde per analizzare Tecniche di Machine Learning e Deep Learning Per comprendere come funziona l'IA generativa, è importante familiarizzare con le tecniche di Machine Learning e Deep Learning. Utilizzando tecniche di Machine Learning e Deep Learning, la GenAI è in grado di generare nuovi dati, Il deep learning è una tecnica di machine learning che utilizza reti neurali profonde per analizzare

Fondamenti di Machine Learning per l'IA Generativa : Uno degli aspetti chiave dell'IA Generativa è il Machine Learning. Step 1 : Fondamenti di Machine Learning per l'IA Generativa Per eccellere nell'Intelligenza Artificiale Generativa, è fondamentale padroneggiare i concetti chiave del Machine Learning. Step 2 : Padroneggiare la Programmazione Python Sebbene molte librerie di Machine Learning supportino

Prerequisiti : Se non sai perchè utilizzeremo python, clicca qui Se non hai ancora installato Python, clicca qui Se non sai come scaricare e gestire le librerie, clicca qui Se non sai cosa sia un Dataset, clicca qui In questo articolo ti mostrerò come scrivere un programma python che prevede il prezzo delle azioni utilizzando una tecnica di apprendimento automatico chiamata Long Short-Term Memory (LSTM) . Questo programma è davvero semplice e dubito che da questo programma ne riusciare a trarre un profitto importante, ma è leggermente meglio che indovinare! Ricorda che il prezzo delle azioni può essere influenzato da molti parametri diversi. Lunga memoria a breve termine (LSTM) è una rete neurale artificiale ricorrente (RNN) utilizzato nel campo dell'apprendimento profonda. A differenza delle reti neurali feed forward standard, LSTM ha connessioni di feedback. Non solo può elaborare singoli punti dati (come le immagini), ma anche intere sequenze di dati . - Wikipedia Gli LSTM sono ampiamente utilizzati per i problemi di predizione di sequenza e si sono dimostrati estremamente efficaci. Il motivo per cui funzionano così bene è perché LSTM è in grado di memorizzare le informazioni passate che sono importanti e dimenticare le informazioni che non lo sono. -Stackabuse.com Iniziamo a programmare il nostro modello: Inizierò affermando cosa voglio che faccia questo programma. Voglio che questo programma preveda i prezzi delle azioni Apple Inc. 60 giorni nel futuro in base al prezzo di chiusura corrente. Per prima cosa scriverò una descrizione del programma. # Descrizione: questo programma utilizza una rete neurale artificiale ricorrente chiamata Long Short Term Memory (LSTM) per prevedere il prezzo di chiusura delle azioni di una società (Apple Inc.) utilizzando il prezzo delle azioni degli ultimi 60 giorni. Successivamente caricherò / importerò le librerie che verranno utilizzate in questo programma. import math import pandas_datareader as web import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from keras.models import Sequential from keras.layers import Dense, LSTM import matplotlib.pyplot as plt plt.style.use('fivethirtyeight') Riceverò la quotazione delle azioni della società "Apple Inc." utilizzando il ticker di borsa delle società (AAPL) dal 1 gennaio 2012 al 17 dicembre 2019. #Ricevi la quotazione di borsa df = web.DataReader('AAPL', data_source='yahoo', start='2012-01-01', end='2019-12-17') #stampa le quotazioni df Output: High Low Open CloseVolumeAdj CloseDate 2012-01-0314.73214214.60714214.62142814.686786302220800.012.5666762012-01-0414.81000014.61714314.64285814.765715260022000.012.6342132012-01-0514.94821514.73821414.81964314.929643271269600.012.7744812012-01-0615.09821414.97214314.99178615.085714318292800.012.9080232012-01-0915.27678615.04821415.19642815.061786394024400.012.887549.....................2019-12-1167.77500267.12500067.20249967.69249778756800.066.5678862019-12-1268.13999966.83000266.94500067.864998137310400.066.7375182019-12-1368.82499767.73249867.86499868.787498133587600.067.6447072019-12-1670.19750269.24500369.25000069.964996128186000.068.8026352019-12-1770.44249769.69999769.89250270.102501114158400.068.937851 2003 rows × 6 columns Queste sono le quotazione di azioni Apple. Successivamente, mostrerò il numero di righe e colonne nel set di dati. Il risultato mostra che abbiamo 2003 righe o giorni in cui è stato registrato il prezzo delle azioni e 6 colonne. df.shape Output: (2003, 6) Crea un grafico per visualizzare i dati. #Visualizza la cronologia del prezzo di chiusura plt.figure(figsize=(16,8)) plt.title('Close Price History') plt.plot(df['Close']) plt.xlabel('Date',fontsize=18) plt.ylabel('Close Price USD ($)',fontsize=18) plt.show() Output: Grafico che mostra la cronologia dei prezzi delle azioni di chiusura di Apple Inc. Crea un nuovo data frame con solo il prezzo di chiusura e convertilo in un array. Quindi creare una variabile per memorizzare la lunghezza del set di dati di addestramento. Desidero che il set di dati di addestramento contenga circa l'80% dei dati. #nuova dataframe solo con le chiusure data = df.filter(['Close']) #Convertiamolo in un numpy array dataset = data.values training_data_len = math.ceil( len(dataset) *.8) Ora ridimensiona il set di dati in modo che sia valori compresi tra 0 e 1 incluso, lo faccio perché è generalmente buona pratica ridimensionare i dati prima di darli alla rete neurale. #Scala tutti i dati in modo che siano valori compresi tra 0 e 1 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(dataset) ​ Creare un set di dati di addestramento che contenga i valori del prezzo di chiusura degli ultimi 60 giorni che si desidera utilizzare per prevedere il valore del prezzo di chiusura 61 °. Quindi la prima colonna nel set di dati ' x_train ' conterrà i valori dal set di dati dall'indice 0 all'indice 59 (60 valori in totale) e la seconda colonna conterrà i valori dal set di dati dall'indice 1 all'indice 60 (60 valori) E così via e così via. Il set di dati " y_train " conterrà il 61 ° valore situato all'indice 60 per la sua prima colonna e il 62 ° valore situato all'indice 61 del set di dati per il suo secondo valore e così via e così via. #Crea il set di dati per l'addestramento in scala train_data = scaled_data[0:training_data_len , : ] #Dividi i dati nel x_train e y_train x_train=[] y_train = [] for i in range(60,len(train_data)): x_train.append(train_data[i-60:i,0]) y_train.append(train_data[i,0]) Ora converti il ​​set di dati indipendente " x_train " e il set di dati dipendente " y_train " in array numpy in modo che possano essere utilizzati per l'addestramento del modello LSTM. # Converti x_train e y_train in array x_train, y_train = np.array(x_train), np.array(y_train) Rimodellare i dati in modo tridimensionale nella forma numero di campioni numero di fasi temporali numero di caratteristiche Il modello LSTM si aspetta un set di dati tridimensionale. #Reshape i dati nella forma accettata da LSTM x_train = np.reshape(x_train, (x_train.shape[0],x_train.shape[1],1)) Costruisci il modello LSTM per avere due strati LSTM con 50 neuroni e due strati densi, uno con 25 neuroni e l'altro con 1 neurone di output. #Costruiamo il LSTM network model model = Sequential() model.add(LSTM(units=50, return_sequences=True,input_shape=(x_train.shape[1],1))) model.add(LSTM(units=50, return_sequences=False)) model.add(Dense(units=25)) model.add(Dense(units=1)) Compilare il modello utilizzando la funzione di perdita dell'errore quadratico medio (MSE) e l'ottimizzatore adam. #Compila il modello model.compile model.compile(optimizer='adam', loss='mean_squared_error') Addestra il modello utilizzando i set di dati di addestramento. La dimensione del batch è il numero totale di esempi di addestramento presenti in un singolo batch ed epoch è il numero di iterazioni in cui un intero set di dati viene passato avanti e indietro attraverso la rete neurale. #Allena il modello model.fit(x_train, y_train, batch_size=1, epochs=10) Output: Epoch 1/10 1543/1543 [==============================] - 21s 14ms/step - loss: 6.0664e-04 Epoch 2/10 1543/1543 [==============================] - 21s 13ms/step - loss: 2.9017e-04 Epoch 3/10 1543/1543 [==============================] - 21s 13ms/step - loss: 2.4941e-04 Epoch 4/10 1543/1543 [==============================] - 20s 13ms/step - loss: 1.5669e-04 Epoch 5/10 1543/1543 [==============================] - 21s 13ms/step - loss: 1.6930e-04 Epoch 6/10 1543/1543 [==============================] - 21s 13ms/step - loss: 1.5684e-04 Epoch 7/10 1543/1543 [==============================] - 21s 14ms/step - loss: 1.6119e-04 Epoch 8/10 1543/1543 [==============================] - 22s 14ms/step - loss: 1.4235e-04 Epoch 9/10 1543/1543 [==============================] - 24s 15ms/step - loss: 1.4032e-04 Epoch 10/10 1543/1543 [==============================] - 23s 15ms/step - loss: 1.4214e-04 Crea un set di dati di test. #Dati di test test_data = scaled_data[training_data_len - 60: , : ] #Crea i set di dati x_test e y_test x_test = [] y_test = dataset[training_data_len : , : ] #Recupera tutte le righe dall'indice 1603 al resto e tutte le colonne (in questo caso è solo la colonna "Chiudi"), così 2003 - 1603 = 400 righe di dati for i in range(60,len(test_data)): x_test.append(test_data[i-60:i,0]) Quindi converti il ​​set di dati di test indipendente ' x_test ' in un array numpy in modo che possa essere utilizzato per testare il modello LSTM. # Converti x_test in un array numpy x_test = np.array(x_test) Rimodellare i dati in modo tridimensionale nella forma [numero di campioni , numero di fasi temporali e numero di caratteristiche ]. Questo deve essere fatto, perché il modello LSTM si aspetta un set di dati tridimensionale. #Reshape i dati nella forma accettata da LSTM x_test = np.reshape(x_test, (x_test.shape[0],x_test.shape[1],1)) Ora ottieni i valori previsti dal modello utilizzando i dati del test. #Otteniamo le predizioni del modello predictions = model.predict(x_test) predictions = scaler.inverse_transform(predictions) Ottieni l'errore quadratico medio (RMSE), che è una buona misura dell'accuratezza del modello. Un valore pari a 0 indica che i valori previsti dai modelli corrispondono perfettamente ai valori effettivi del set di dati del test. Più basso è il valore, migliori saranno le prestazioni del modello. Ma di solito è meglio usare anche altre metriche per avere davvero un'idea di come si è comportato bene il modello. # Calcola / Ottieni il valore di RMSE rmse=np.sqrt(np.mean(((predictions- y_test)**2))) rmse Output: 1.020505485309228 Tracciamo e visualizziamo i dati. # Traccia / Crea i dati per il train = data[:training_data_len] valid = data[training_data_len:] valid['Predictions'] = predictions #Visualize the data plt.figure(figsize=(16,8)) plt.title('Model') plt.xlabel('Date', fontsize=18) plt.ylabel('Close Price USD ($)', fontsize=18) plt.plot(train['Close']) plt.plot(valid[['Close', 'Predictions']]) plt.legend(['Train', 'Val', 'Predictions'], loc='lower right') plt.show() Output: Il grafico che mostra i prezzi di formazione (allenamento), effettivi (validi) e previsti (previsioni).Mostra i prezzi validi e previsti. valid Output: Close Predictions Date 2018-05-1746.74750146.8632932018-05-1846.57749946.3976942018-05-2146.90750146.3534812018-05-2246.79000146.7314762018-05-2347.09000046.534359.........2019-12-1167.69249766.0610052019-12-1267.86499866.4198382019-12-1368.78749866.5070722019-12-1669.96499667.5563352019-12-1770.10250168.624374 400 rows × 2 columns I valori del prezzo effettivo (chiusura) e previsto (previsioni).Voglio testare ancora il modello e ottenere il valore del prezzo di chiusura previsto di Apple Inc. per il 18 dicembre 2019 (18/12/2019). Convertirò i dati in un array che contiene solo il prezzo di chiusura. Quindi otterrò il prezzo di chiusura degli ultimi 60 giorni e ridimensionerò i dati in modo che siano valori compresi tra 0 e 1 inclusi. Dopodiché creerò un elenco vuoto e vi aggiungerò il prezzo degli ultimi 60 giorni, quindi lo convertirò in un array numpy e lo rimodellerò in modo da poter inserire i dati nel modello. Ultimo ma non meno importante, inserirò i dati nel modello e otterrò il prezzo previsto. # Ottieni la citazione apple_quote = web.DataReader('AAPL', data_source='yahoo', start='2012-01-01', end='2019-12-17') #Crea un nuovo dataframe new_df = apple_quote.filter(['Close']) # Ottieni il prezzo di chiusura degli ultimi 60 giorni last_60_days = new_df[-60:].values #Scala i dati in modo che siano valori compresi tra 0 e 1 last_60_days_scaled = scaler.transform(last_60_days) #Crea un elenco vuoto X_test = [] #Appendi agli ultimi 60 giorni X_test.append(last_60_days_scaled) # Converti il ​​set di dati X_test in un array X_test = np.array(X_test) #ridimensioni i dati X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1)) # Ottieni il prezzo scalato previsto pred_price = model.predict(X_test) pred_price = scaler.inverse_transform (pred_price) print (pred_price) Output: [[68.51323]] Ora vediamo qual era il prezzo effettivo per quel giorno. apple_quote2 = web.DataReader('AAPL', data_source='yahoo', start='2019-12-18', end='2019-12-18') print(apple_quote2['Close']) Output: Date 2019-12-18 69.934998 Name: Close, dtype: float64 Proprio come volevamo "quasi" una predizione Perfetta. Scarica Gratuitamente tutto il Progetto Per scaricare gratuitamente devi prima registrati/accede al portale. Scorri in fondo alla pagina per registrati o accedere Condividi e commenta l'articolo se ti è stato utile , Grazie !

K-means è un algoritmo di clustering non supervisionato molto utilizzato in statistica e machine learning Potrebbe essere particolarmente utile per chi studia statistica o machine learning o per chi lavora in Inoltre, l'interesse per il machine learning e il data mining ha contribuito a diffondere l'utilizzo Oggi, K-means è uno dei metodi di clustering più utilizzati in statistica e machine learning, e continua Applicazioni di K-means: K-means è uno degli algoritmi di clustering più utilizzati in diverse aree,