su testi biblici è un po difficile, però hugging face ti permette di allenare i modelli con i tuoi dati

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

Perfetto grazie mille.😉🤗

Grazie per la segnalazione abbiamo risolto.

Attenzione, in Firefox il codice esce tradotto in italiano....

Io su Firefox non vedevo il codice tradotto

Vorrei allenare un modello BERT sul testo biblico (il Dataset ce l'ho) per poi chiedergli di completare

e dovrai approcciarti a TensorFlow, Keras, Pandas e ad altri moduli basilari per il trattamento dei dati

Ho dovuto levare /content/. nella parte read data... data = pd.read_csv("Dataset_Terremoti.csv")

Preprocessing dei dati: Prima di alimentare i dati alla rete neurale, è importante eseguire un buon preprocessing per preparare i dati in modo ottimale. temporali e le caratteristiche spaziali dei dati, rispettivamente. Utilizzo dei dati degli articoli: Hai menzionato di avere dati su ogni singolo articolo contenuto nella Questi dati possono essere utilizzati per arricchire il set di dati della tua rete neurale.

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

Per quanto riguarda i dati, non sappiamo quale sia l'algoritmo generato dal sistema, poichè come abbiamo detto prima, è un sistema chiuso, dal quale preleviamo dati da esso.

keras.layers import LSTM,Dropout,Dense from sklearn.preprocessing import MinMaxScaler #carico file datase df=pd.read_csv("FileStoricoAzione.csv") df.head() df["Date"]=pd.to_datetime(df.Date,format="%Y-%m-%d prezzo di chiusura') #Ordino, filtro e normalizzo, data e chiusura. data=df.sort_index(ascending=True ,axis=0) new_dataset=pd.DataFrame(index=range(0,len(df)),columns=['Date','Close']) for i in range(0, len(data)): new_dataset["Date"][i]=data['Date'][i] new_dataset["Close"][i]=data["Close"][i]

partendo da tempistiche singole, ricavate da codice pezzo, dove il pezzo può contenere anche altri dati