soggetto, stabilizzazione dell'immagine interna e una modalità automatica potenziata dalla tecnologia Deep Learning Quando scatti una foto, la tecnologia Deep Learning valuta la situazione per capire le tue intenzioni alta velocità, e ti offre la messa a fuoco e il tracciamento più ottimali grazie alla tecnologia Deep Learning Le applicazioni sono infinite, anche per attività non sportive. Integrato con l'applicazione sullo smartphone, StayrAI ti avvisa anche istantaneamente se qualcosa va

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 !

Non basta sapere programmare o conoscere qualche framework di machine learning . Questo ruolo richiede competenze avanzate in ambiti come il machine learning, la programmazione, l’analisi Deve comprendere a fondo i modelli di machine learning , sapere quando e come utilizzarli , e saperli di machine learning classici, preprocessing, valutazione modelli. H2O.ai Java, R, Python Machine learning scalabile, analisi predittiva per applicazioni aziendali.

Jean Francois Puget, del dipartimento di machine learning di IBM, ha espresso la sua opinione " Python di intelligenza artificiale e machine learning. Il machine learning richiede un'elaborazione continua dei dati e le librerie di Python ti consentono Ciò che intendiamo è che Python per lo sviluppo di machine learning può essere eseguito su qualsiasi Grazie a Python, lo sviluppo di applicazioni AI è diventato accessibile a un pubblico più ampio, con

Nei precedenti articoli abbiamo parlato molto di deep learning, reti neurali e tipi di esse, ma oggi in questo articolo spiegheremo nel dettaglio RNN un tipo di rete neurale della famiglia del deep learning Prerequisiti : Se non sai cosa è il Machine Learning, clicca qui Se non sai cosa è il Deep Learning, clicca qui Se non conosci le principali applicazioni Deep Learning, clicca qui Se non sai come scaricare La traduzione automatica è uno degli esempi Applicazioni delle Reti Neurali Ricorrenti Generazione sottotitoli

seconda delle particolarità di ciascun metodo, vengono fornite le raccomandazioni che considerano la loro applicazione di 100 algoritmi in generale, ma la loro popolarità è piuttosto moderata, così come il loro campo di applicazione Passo dopo passo, l'algoritmo DBSCAN (Density-Based Spatial Clustering of Applications with Noise) controlla

L'avvento dell'intelligenza artificiale e del machine learning ha rivoluzionato la nostra percezione In termini molto semplici, l'intelligenza artificiale è "la scienza di rendere le macchine intelligenti Questa tecnologia offre svariate applicazioni, dalla creazione di contenuti alla segmentazione e personalizzazione Migliori software di Intelligenza Artificiale per Marketer Abbiamo esplorato alcune delle applicazioni Clicca qui per fissare un appuntamento: Consulenza Gratuita sull'Applicazione dell'IA.

Sei un esperto di machine learning con esperienza in Python. Sei un esperto in machine learning con anni di esperienza. Sei un esperto in machine learning con forti skill in clustering. Sei un esperto di machine learning con forti skill in SVM. Sei un esperto di machine learning con forti skill in k-NN.

Non so tu ne eri sei a conoscenza ma esistono algoritmi che emulano il funzionamento del neurone biologico 😮 😲 Il nome che gli è stato dato nel tempo ai neuroni artificiali , o per lo meno ai più semplici, è perceptron. Il Perceptron I primi studi in materia risalgono al 1943 e vennero fatti per cercare di comprendere al meglio come funzionasse il cervello biologico. Sempre nel 1943 due visionari, Warren McCullok & Walter Pitts, pubblicarono il primo articolo su una cellula nervosa semplificata. All'interno dell'articolo c'era una schema molto dettagliato che riassumeva in modo molto semplice un neurone e questo fece molto scalpore. Ti riporto qui sotto uno schema simile a quello presentato nell'articolo. Come potete vedere dall'immagine abbiamo 3 punti fondamentali Dendriti/terminazione sinaptica, i quali sono recettori di dati, in altre parole gli input Corpo cellulare, il quale elabora i dati che ha ricevuto in ingresso Assone/terminazione sintattica, i dati dopo essere stati elaborati passano attraverso l'assone e vengono comunicati al prossimo neurone, output Gli autori dell'articolo sopra citato hanno quindi ricreato una cellula nervosa immaginandola semplicemente con un'uscita logica, dove quindi l'out è binario. Quindi riassumendo ai dendriti arrivano i dati, i quali sono elaborati all'interno del corpo cellulare, dove quando i dati accumulati superano un certo limite viene emesso un segnale. attraverso l'assone. Anni dopo un altro visionario F.Rosenblatt pubblicò un'articolo che ci ha portanto alle tecnologie odierne dal nome : The Perceptron, a Perceiving and Recognizing Automaton All'interno del quale andava a spiegare, una algoritmo da lui scritto, il quale era in grado di emulare le funzioni principali del corpo cellulare il quale riceveva in input le caratteristiche e apprendeva automaticamente i coefficienti di peso ottimali da moltiplicare con gli input per poter prevedere se un neurone si sarebbe attivato o meno. Spiegato in termini meno formali questo era in grado di dire date delle caratteristiche se queste caratteristiche appartenevano ad una classe o ad un'altra. Dal punto di vista matematico/informatico l'implementazione del neurone è raffigurata nell' immagine. Come è possibile notare ritroviamo gli input, un "corpo di elaborazione" e gli output. Un esempio pratico potrebbe essere quello di date l'interesse espressa in percentuale e il reddito annuo di un potenziale cliente capire se acquisterà o meno il prodotto : Classi : Acquista, Non Acquista Input : Interesse%, Reddito€ Funzione : Perceptron Output : Classe Immagina quanto questa scoperta abbia influito su i progressi e gli sviluppi delle tecnologie odierne. Prossimamente verrà pubblicato un articolo più specifico sul Funzionamento e l'implementazione del Perceptron in Python. Grazie mille per la lettura, condividi per sostenerci

Stai per scoprire come il Quantum Machine Learning (QML) sta rivoluzionando il mondo dell'Intelligenza In questo articolo approfondiremo le origini di QML, come si differenzia dal Machine Learning tradizionale learning classico QML: dalla teoria alla pratica - esempi di applicazioni industriali Come sfruttare Differenze tra Machine learning quantistico e classico? Mentre gli algoritmi del Machine Learning classico si basano sull'elaborazione dei dati utilizzando i

learning e li implementa in produzione. Esercitati nell’ analisi dei dati  e nello sviluppo di modelli di machine learning. Learning : algoritmi che permettono ai sistemi di apprendere dai dati. Deep Learning : reti neurali profonde. Data Science : analisi dei dati per estrarre insight. Transfer learning : Adattamento di modelli già addestrati a nuove applicazioni.

cercando di immaginare come potrebbe essere il nostro futuro in un mondo sempre più dominato dalle macchine Un futuro condiviso con le macchine La crescente pervasività delle intelligenze artificiali ha aperto Ad esempio, come possiamo garantire che le decisioni prese dalle macchine siano giuste ed equilibrate In un mondo in cui le macchine possono imitare sempre più fedelmente le nostre capacità intellettuali dovrà puntare su creatività, pensiero critico, comunicazione, empatia e altre competenze umane che le macchine

del marketing digitale è una novita', nel campo dell'informatica e dell'ingegneria genera codice per macchine rendendole in grado di eseguire istruzioni e di comportarsi in modo logico, imparando dalle esperienze (machine learning). La potenza dell'AI in varie applicazioni migliora l'esperienza dell'utente, ottimizza siti web per tassi

Ma saranno le macchine in grado di scrivere articoli o produrre contenuti altamente creativi? Grazie alla tecnologia, queste macchine sono in grado di produrre testi che sembrano scritti da un essere Domande frequenti - IA e generazione di testo - Quali sono le principali applicazioni della scrittura Le applicazioni della scrittura IA vanno ben oltre la creazione di contenuti. Ad esempio, il linguaggio naturale è complesso e ambiguo e le macchine hanno difficoltà a comprendere

INTELLIGENZA ARTIFICIALE PER L'IMPRESA: Machine Learning, Deep Learning e tutto ciò che Manager e Imprenditori Progettazione dell’algoritmo, dati e machine learning, neural network, deep learning ( Utilizza il nostro Machine learning con Python. ) Trama: Negli ultimi anni il machine learning ha compiuto passi da gigante, con macchine che ormai Si parte dai fondamenti delle reti neurali e del machine learning per poi affrontare le applicazioni