cos'è il Il filtraggio collaborativo ? Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti. I sistemi di raccomandazione hanno un'ampia gamma di applicazioni in tutti i domini. Costruire un buon sistema di raccomandazione adatto alle esigenze aziendali è sempre una sfida. Un buon sistema può essere sviluppato solo quando c'è una buona comprensione del suo funzionamento. In questo articolo, discuteremo come creare da zero un sistema di raccomandazione , in particolare basato su filtri collaborativi. Inizieremo con i dati casuali e costruiremo un sistema di raccomandazione per generare raccomandazioni. Indice Che cos'è il filtro collaborativo? Uso della correlazione Implementazione del filtraggio collaborativo basato sugli elementi Implementazione del filtraggio collaborativo basato sull'utente Iniziamo con la comprensione del filtro collaborativo. Che cos'è il filtro collaborativo? Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti. Utilizzandolo possiamo calcolare le valutazioni in base alle valutazioni di utenti simili o articoli simili. I sistemi di raccomandazione basati sul filtraggio collaborativo possono essere classificati nei seguenti modi: Basato sul prodotto: questo tipo di sistema di raccomandazione aiuta a trovare somiglianze tra gli articoli oi prodotti. Questo viene fatto generando dati sul numero di utenti che hanno acquistato due o più articoli insieme e se il sistema trova una correlazione elevata, presume la somiglianza tra i prodotti. Ad esempio, ci sono due prodotti X e Y che sono altamente correlati quando un utente acquista X, il sistema consiglia di acquistare anche Y. Basato sull'utente: questo tipo di sistema aiuta a trovare utenti simili in base alla loro natura di selezione degli articoli. Ad esempio, un utente utilizza un casco, una ginocchiera e una protezione per i gomiti e il secondo utilizza solo un casco e una protezione per i gomiti al momento della guida in bicicletta, il sistema di raccomandazione basato sull'utente consiglierà al secondo utente di utilizzare una protezione per le ginocchia. In questo articolo cercheremo di comprendere da zero il filtraggio collaborativo. Per prima cosa creeremo un esempio di dati e cercheremo di trovare somiglianze tra gli elementi. Trovare la somiglianza tra gli elementi è correlato alla ricerca della correlazione tra gli elementi in base ai dati che abbiamo. Prima di passare all'implementazione ci viene richiesto di capire qual è la correlazione. Uso della correlazione La correlazione può essere considerata come la relazione tra due variabili. Questo può essere di tre tipi positivo, negativo o neutro. Se due variabili sono correlate positivamente, possiamo dire che i cambiamenti in una variabile in direzione positiva o negativa possono fornire un cambiamento nella seconda variabile in direzione positiva o negativa. Se la correlazione è negativa, un cambiamento in una variabile può causare un cambiamento nella direzione opposta. Se le variabili sono correlate in modo neutro, le modifiche in una variabile non provocano una modifica nell'altra. La misurazione della correlazione può essere effettuata utilizzando il coefficiente di correlazione. Il calcolo del coefficiente di correlazione può essere effettuato calcolando prima la covarianza della variabile e poi dividendo per la quantità di covarianza per il prodotto delle deviazioni standard di tali variabili. Matematicamente, Dove, r = coefficiente di correlazione x i = valori di x variabile in un campione x = media dei valori della variabile x y i = valori della variabile y in un campione y = media dei valori della variabile y E' veramente molto semplice, potresti quasi calcolarla con un foglio di carta e una calcolatrice Esistono molti tipi di coefficienti di correlazione utilizzati nell'analisi statistica, utilizziamo principalmente la correlazione di Pearson per i sistemi di raccomandazione perché è una misura della forza e della direzione della relazione lineare tra due variabili. Passiamo all'implementazione di un sistema di raccomandazione. Implementazione del filtraggio collaborativo basato sui prodotti 1. Importiamo le librerie #Importiamo le libreire import pandas as pd import numpy as np import matplotlib.pyplot as plt 2. Set di dati In questo articolo, implementeremo un sistema di raccomandazione utilizzando l'approccio di filtraggio collaborativo a tale scopo lavoreremo su dati semplici. Diciamo che abbiamo alcuni utenti, prodotti e valutazioni di quel prodotto fornite dall'utente. Possiamo creare un tale set di dati utilizzando il codice di seguito #creiamo un dataset finto molto semplice per farti capire come funziona un filtro collaborativo, #successivamente per te sarà facile implementarlo con i tuoi dati data2 = {'user_id':[1, 2, 3, 1, 2], 'product_id':[1, 2, 1,2,3], 'product_name':['product_1', 'product_2', 'product_1','product_2','product_3'], 'rating':[3,3,3,2,2] } items_df = pd.DataFrame(data2) items_df Output: 3. Tabella pivot Creiamo una tabella pivot utilizzando questi dati in base a user_id e product_name. #Creiamo una tabella Pivot tra il voto e i prodotti pivot = pd.pivot_table(items_df,values='rating',columns='product_name',index='user_id') pivot Output: Qui nell'output sopra, possiamo vedere la nostra tabella pivot. Questo formato di tabella può essere utilizzato per calcolare la correlazione. Poiché la correlazione sarà maggiore, possiamo usarli come nostra raccomandazione. Generazione di raccomandazione Per comprendere chiaramente il processo, abbiamo utilizzato un set di dati molto semplice e possiamo dire, vedendo la tabella sopra, che i prodotti 1, 2 e 3 hanno valutazioni simili e il prodotto 1 ha due recensioni. Quindi potrebbe esserci la possibilità che i prodotti 2 e 3 siano consigliati con il prodotto 1. Verifichiamo i nostri risultati. #generiamo una raccompandazione in base a prodotti e rating print('Il prodotto da consigliare quando viene acquistato il product_2 è :') print( pivot.corr()['product_2'].sort_values(ascending=False).iloc[1:2]) Output : Il prodotto da consigliare quando viene acquistato il product_2 è : product_name product_1 NaN Utilizzando le righe di codici sopra, calcoliamo la correlazione tra i prodotti e ordiniamo i valori. Quindi abbiamo stampato 1 valore e abbiamo scoperto che il nostro sistema ci consiglia di acquistare o utilizzare il prodotto 2 con il prodotto 1. Implementazione del filtraggio collaborativo basato sull'utente Nella sezione precedente, abbiamo esaminato il processo di creazione di dati e tabelle pivot. In questa sezione, utilizzeremo dati simili per implementare il filtraggio collaborativo basato sull'utente. 1. Tabella pivot Iniziamo con la creazione di una tabella pivot per il filtraggio collaborativo basato sull'utente. A questo scopo, ci viene richiesto di invertire la nostra vecchia tabella pivot, il che significa che ora stiamo creando una tabella pivot basata sugli utenti come colonne. #Creiamo una tabella Pivot tra il voto e gli utenti pivot1 = pd.pivot_table(items_df,values='rating',columns='user_id',index='product_name') pivot1 Output: Nella tabella sopra, possiamo vedere che abbiamo user-id come colonna e prodotti come riga. 2. Generazione di raccomandazione In questa sezione, troveremo utenti simili in base alle valutazioni fornite. In modo da poter filtrare gli utenti e fornire consigli simili su elementi diversi oppure possiamo anche fornire consigli a un utente in base a una cronologia utente simile. #generiamo una raccompandazione in base a utenti e rating print('Gli utenti simili a user_2 sono :') print( pivot1.corr()[2].sort_values(ascending=True).iloc[1:2]) Output: Gli utenti simili a user_2 sono : user_id 1 NaN Nell'output sopra, possiamo vedere che l'utente 1° è più simile all'utente 2°, ed è perché hanno fornito valutazioni quasi simili nel nostro set di dati principale. Conclusione In questo articolo, abbiamo esaminato le intuizioni di base alla base della creazione di sistemi di raccomandazione utilizzando tecniche di filtraggio collaborativo e abbiamo imparato questo approccio da zero. Condividi l'articolo se ti è piaciuto :)

Introduzione Python sta rapidamente diventando il linguaggio preferito nella scienza dei dati e per buone Questo articolo si concentra su 10 modi per la manipolazione dei dati in Python. Per ogni metodo, dei 10 troverai il codice python e sotto una finestra interattiva per provare il codice Iniziamo Inizieremo importando il modulo Pandas e caricando il set di dati nell'ambiente Python come Ma Python li leggerebbe come livelli diversi.

Gli sviluppatori di chatbot dovrebbero essere esperti in algoritmi di apprendimento, intelligenza artificiale Invece di utilizzare l'intelligenza artificiale, un bot basato su regole utilizza un flusso ad albero Un chatbot è un software basato sull'intelligenza artificiale progettato per interagire con gli esseri Questi sfruttano tecnologie avanzate come l'intelligenza artificiale e l'apprendimento automatico per Chatbot nella generazione di oggi Oggi disponiamo di chatbot intelligenti basati sull'intelligenza artificiale

La libreria Python scikit-learn fornisce una suite di funzioni per la generazione di campioni da problemi In questo tutorial scoprirai problemi di test e come usarli in Python con scikit-learn. gestire le librerie, clicca qui Se non sai cosa sia un Dataset, clicca qui Se non sai perchè utilizziamo python clicca qui Generare dataset con python Un problema durante lo sviluppo e l'implementazione di algoritmi In questo tutorial, hai scoperto problemi di test e come usarli in Python con scikit-learn.

attraverso l'attività di rilevamento delle anomalie nelle transazioni con machine learning utilizzando Python Rilevamento di anomalie nelle transazioni utilizzando Python Ora iniziamo con l'attività di rilevamento delle anomalie nelle transazioni importando le librerie Python necessarie. import pandas as pd import delle anomalie nelle transazioni utilizzando Machine Learning e Python. Spero che questo articolo sul rilevamento delle anomalie nelle transazioni utilizzando Python ti sia

Creare un Vector Store con Python Creare un Vector Store con Python è un'avventura affascinante nel cuore dell'incastonamento vettoriale, dove la potenza dell'IA si fonde con la versatilità del linguaggio di programmazione Python tokenizer.word_index.items()} print(word_embeddings) Ora hai creato con successo un Vector Store con Python , pronto per essere esplorato e utilizzato nelle tue applicazioni di intelligenza artificiale. Questo è solo l'inizio di un percorso entusiasmante nel mondo degli incastonamenti vettoriali con Python

Questo settore dell’IA, l’intelligenza artificiale, si occupa di migliorare le prestazioni di un certo Creare valore nella platform economy con dati, intelligenza artificiale e IoT Il big data marketing non Sfrutta del nostro sconto momentaneo per acquistare il libro L’analisi dei big data con Python. Oltre a Python vengono quindi descritti una serie di tool e strumenti specifici, perlopiù open source Sfrutta del nostro sconto momentaneo per acquistare il libro Data Science con Python: dalle stringhe

Python. Python. Conclusione su TensorFlow la libreria Python per il Deep Learning TensorFlow è uno strumento di intelligenza artificiale di primo piano e se vuoi lavorare nell'intelligenza artificiale o nell'apprendimento automatico L'apprendimento automatico e l'intelligenza artificiale sono due esempi di applicazioni tecnologiche

Diciamoci la verità, capire cosa accade durante la fase di apprendimento automatico è complicato. Ci sono innumerevoli parametri, iperparametri, variabili, layer, etc.. disponibili e molto da monitorare. Fortunatamente, c'è TensorBoard, che semplifica il processo. Quando si sviluppano modelli di apprendimento automatico, ci sono molti fattori: quante epoche per l'addestramento, la metrica di perdita o persino la struttura del modello. Ora non vogliamo dirti che grazie a TensorBoard aumenterai la precisione dei tuoi modelli del 10% o 30%, ma ti assicuriamo che riuscirai a capire esattamente cosa porta all'errore il tuo modello per poi sistemare i tuoi dati. Questo articolo discuterà alcune funzionalità di TensorBoard e come puoi configurare TensorBoard per il tuo prossimo progetto di machine learning o deep learning. In particolare, l'attenzione sarà focalizzata sull'utilizzo di TensorBoard con modelli basati su TensorFlow e Keras. Per determine una configurazione ottimale del modello, è necessario eseguire esperimenti. E come tutti i data scientist sanno, è necessario monitorare e valutare questi esperimenti in modo efficace. Fortunatamente, TensorBoard ha molte funzionalità integrate che puoi utilizzare per capire rapidamente cosa sta succedendo all'interno del tuo modello. Come Configuare TensorBoard sul tuo Pc La configurazione di TensorBoard è un processo semplice. Con solo poche righe di codice, puoi tenere traccia delle metriche chiave del tuo modello di machine learning. Se vuoi seguirci passo passo, la prima cosa da fare è aprire un notebook e caricare l'estensione Tensorboard, con 1 semplicissima riga di codice : %load_ext tensorboard Caricata l'estensione TensorBoard successivamente, avrai bisogno di alcuni dati. Qui sto usando il set di dati MNIST integrato in TensorFlow. I dati vengono rimodellati per consentire l'uso di livelli convoluzionali 2D. Dopo che i dati sono stati preparati, è necessario creare il modello. Qui ho esagerato un po' e ho parametrizzato ogni variabile. Questa scelta viene fatta per cambiare rapidamente diversi aspetti del modello senza troppi problemi. Questa struttura evita anche di avere valori in cui non è chiaro cosa sta cambiando il valore. La struttura è semplice. Ma questa struttura di base mostra una varietà di livelli diversi, che puoi analizzare in TensorBoard. Il modello contiene uno strato convoluzionale 2D seguito da uno strato di pooling, uno strato dropout, un appiattimento dell'output e uno strato denso. C'è anche un adeguamento al tasso di apprendimento. A differenza dell'impostazione di un tasso di apprendimento fisso, lo scheduler rende il tasso di apprendimento flessibile e aiuta con la convergenza. Per aggiungere la funzionalità TensorBoard al modello TensorBoard esistente basato su Keras, è necessario aggiungere un callback durante la fase di addestramento del modello di adattamento. Il calcolo dell'istogramma dovrebbe essere abilitato per tenere traccia dei progressi in modo efficace, e questo viene fatto impostando il parametro historgram_freq su 1. La funzione di callback richiede una directory di log per memorizzare i risultati dell'addestramento del modello. Pertanto, è utile includere alcuni ordini strutturati nei registri per riferimento futuro. L'ora corrente viene utilizzata qui. Una volta che il modello è stato creato, compilato e adattato, i registri dovrebbero essere compressi. Pieno di tutti i dettagli del tuo modello durante l'allenamento. Pronto per essere analizzato. Per visualizzare i risultati del processo di formazione all'interno di TensorBoard, non resta che eseguire l'estensione. Componenti di TensorBoard TensorBoard è suddiviso in diversi componenti. Questi componenti consentono di tenere traccia di diverse metriche come accuratezza, errore quadratico medio o perdita di registro. Consentono inoltre la visualizzazione del modello come grafico e molto altro ancora. Sto mostrando le schede scalari, grafici, distribuzioni, istogrammi e serie temporali in questo post. Ma un elenco delle altre visualizzazioni disponibili si trova nel menu a discesa inattivo. TensorBoard ha anche alcune opzioni di stile. Ho usato la modalità oscura per alcune delle immagini qui. Valori Scalari Gli scalari sono la prima scheda che vedrai all'apertura di TensorBoard. L'attenzione qui è sulle prestazioni del modello in più epoche. Qui vengono mostrati sia la funzione di perdita dei modelli che tutte le metriche che hai monitorato. Una caratteristica essenziale di questa scheda è la funzione di levigatura. Quando si ha a che fare con molte epoche o con un modello precario, la tendenza generale può andare persa. Pertanto, vuoi assicurarti che il tuo modello stia migliorando durante l'allenamento e non ristagni. Aumentando il livellamento, è possibile visualizzare le tendenze complessive del modello durante il processo di addestramento. La scheda scalari è fondamentale per identificare quando un modello è overfitting. Ad esempio, quando la tua metrica di allenamento continua a migliorare ma non c'è un aumento nel grafico di convalida, potresti essere in overfitting sul set di convalida. Grafici La scheda dei grafici ti consente di visualizzare la struttura del modello che hai creato. In sostanza, mostra cosa sta succedendo dietro le quinte. Questi dettagli sono utili quando è necessario condividere la struttura dei grafici con altri. Inoltre, è disponibile la possibilità di caricare o scaricare grafici. Oltre alla struttura del modello di base, il grafico mostra anche come vengono utilizzate le diverse metriche e l'ottimizzatore. Qui ho selezionato il nodo sequenziale con il grafico. Una volta selezionato, viene mostrata la struttura dei modelli. I dettagli sono visibili all'interno del riquadro rosso nell'immagine sottostante. Distribuzioni e istogrammi Le schede distribuzioni e istogrammi sono piuttosto simili. Tuttavia, consentono di visualizzare le stesse informazioni attraverso visualizzazioni diverse. La scheda delle distribuzioni offre una buona panoramica delle modifiche dei pesi del modello nel tempo. Questa prospettiva serve come indicatore iniziale per vedere se qualcosa è andato storto. La visualizzazione degli istogrammi fornisce una suddivisione più dettagliata dei valori esatti appresi dal modello. Queste due visualizzazioni vengono utilizzate per determinare quando il modello si basa eccessivamente su un piccolo insieme di pesi. O se i pesi convergono su molte epoche. Serie temporali L'ultima scheda mostrata qui in TensorBoard è la scheda delle serie temporali. Questa vista è abbastanza simile alla vista scalare. Tuttavia, una distinzione sono le osservazioni della metrica di destinazione per ogni iterazione dell'addestramento anziché per ogni epoca. L'osservazione del training del modello in questo modo è molto più granulare. Questo tipo di analisi è migliore quando il modello non converge e l'andamento delle epoche non rivela alcuna risposta. Conclusioni TensorBoard è uno strumento potente. Attraverso diversi componenti e visualizzazioni, puoi analizzare rapidamente i tuoi modelli di machine learning e deep learning. Lo strumento è facile da configurare e fornisce preziose informazioni su come addestrare meglio il tuo modello. Qui ti ho mostrato solo un esempio di ciò che è possibile con TensorBoard. Sentiti libero di copiare il codice ed esplorare lo strumento da solo.

Questa Spiegazione è appartenente ad una Serie di Articoli. Prima di iniziare a leggere ti consigliamo di guardare gli articoli precedenti : Lo Strumento "mente" Il servomeccanismo mentale A questo punto è logico iniziare a dare una prima visione d’insieme nell’identificare come si può intendere un engramma o immagine mentale: si può ipotizzare che ogniqualvolta la nostra mente compie una operazione coinvolga un numero di neuroni o di catene neuroniche che formano e danno origine a delle modificazioni bio-chimiche della struttura del cervello, quindi da un punto di vista fisico si otterranno sicuramente delle trasformazioni energetiche, ma per quanto riguarda la costituzione logica delle informazioni elaborate dobbiamo far riferimento a delle forme di analisi che riguardano esclusivamente una teoria che sembra rispondere in modo corretto alle esigenze di chiarificazione sulla strutturazione ordinata delle informazioni che sono oggetto dell’elaborazione. Questa teoria pone alla base della costituzione del pensiero la concettualizzazione delle informazioni attraverso delle configurazioni di stati attenzionali che possono essere considerate come possibilità di originare delle operazioni logiche sia sequenziali che parallele su una grandezza di base che è appunto l’energia. Gli engrammi o immagini mentali dovranno dunque essere intesi non tanto come tracce mnestiche ma come costituiti da delle configurazioni di stati attenzionali, ora io no so dire se si può effettuare una riparametrazione a questo livello con le configurazioni neurologiche che sono interessate, come negli esempi riportati: Credo invece di poter affermare che essendo il supporto cerebrale costantemente in azione e quindi soggetto a delle continue trasformazioni energetiche è come se pretendessimo di fornire tramite una fotografia magnetica quella che è la costituzione software di una informazione elaborata da un computer, è ovvio pensare che saremmo in grado di individuare soltanto i conduttori interessati in quel momento ma non potremmo mai dire l’aspetto logico della stessa informazione trattata ed è dunque per questa ragione che se si tenta di fornire una teoria sulla costituzione dei processi dell’operare mentale da un punto di vista matematico-logico è quantomai difficoltoso poter fare delle riparametrazioni che siano bio-fisiologiche. La composizione degli engrammi o delle immagini mentali intesa sotto l’aspetto attenzionale, deriva dalla possibilità di costituire delle idee che siano o che sembrino collegate tra loro da un supporto logico di coerenza, si costruiscono così delle strutture complesse di concetti che servono per formare le suddette immagini, ogni idea dunque si può considerare come una composizione di concetti concatenati tra loro attraverso delle strutture attenzionali e gli stessi concetti sono frutto di sequenze di stati attenzionali la cui trasmissione da un punto all'altro del nostro cervello potrà avvenire in modo seriale-parallelo o parallelo-seriale. Nel prossimo Articolo andremo a capire il significato di CONCETTO e di come un concetto viene elaborato dalla nostra mente. Grazie mille per la lettura, commenta l'articolo per qualsiasi domanda.

Il mondo del deep learning si basa su una vasta gamma di librerie Python che offrono soluzioni per l'apprendimento Python è diventato il linguaggio preferito per lo sviluppo nel campo del machine learning e del deep Una delle principali ragioni per cui Python è così popolare nel campo del deep learning è la sua vasta Le Migliori Librerie Python per il Deep Learning: Guida Completa e Recensioni Le Migliori Librerie e Quando Utilizzarle Recensioni delle Migliori Librerie Python per il Deep Learning Numpy Numpy è una libreria

L'implementazione dell'intelligenza artificiale (IA) in un'azienda può trasformare radicalmente la sua artificiale (IA) all'interno della vostra azienda, collaborare con fornitori e partner esterni può essere Conclusione:10 consigli chiave per implementare con successo progetti di intelligenza artificiale (IA ) all'interno della tua azienda Affrontare con successo l'implementazione di progetti di intelligenza artificiale (IA) all'interno di un'azienda richiede una guida esperta e una strategia ben definita.

In questo Articolo vedremo diversi modi per gestire grandi dataset con Python, in particolare confronteremo Ambiente di Lavoro per gestire grandi dataset con Python Ai fini del benchmarking, creeremo un set di Gestire grandi dataset con Python - Valori separati da virgola (CSV) Un file di testo che utilizza una da Python. Feather è destinato allo scambio di dati tra Python e R .

L'Intelligenza Artificiale Spiegata Semplice Falsi miti sul machine learning Cos'è la Statistica e che Qual è la differenza tra Intelligenza Artificiale, Machine Learning, Deep Lear... Tutorial Per Creare Modelli di Intelligenza Artificiale Tutorial Pratico Tensorflow , TensorBoard e rete neurale per principianti PyScript, come usare Python nel browser! Implementare le reti neurali ricorrenti (RNN) con Python e Keras Deep learnign e python : Object Recognition

Prerequisiti : Se non sai perchè utilizzeremo python, clicca qui Se non hai ancora installato Python, apriamo il terminale e digitiamo il seguenti comandi: pip install matplotlib pip3 install matplotlib #per python3 pip install numpy pip3 install numpy #per python3 pip install pandas pip3 install pandas #per python3