Se anche io ho un po' di tempo libero, spero proprio di poter condividere questa bella l'iniziativa.

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

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?

# Gestione dei valori mancanti df.fillna(method='ffill', inplace=True) # Conversione delle date /MachineLearning.db') query = "SELECT * FROM Dati" # Assuming TARGET is also in this query df batch_size=32, validation_data=(X_val, y_val), callbacks=[tensorboard_callback]) model.save('data logs salvati in: {log_dir}") elif mode == 'predict': model = tf.keras.models.load_model('data

PORTAF,TIPO_CR,LAG,TIPO_DOCUMENTO,TIPO_FF,FACTOR,PERC,NETTOSPLIT,IMPORTO1,IMPORTO2,DATA_INVIO_FILE FROM Dati TIPO_FF', 'FACTOR'] .....Olltre ad aver aggiungo la scrittura dei csv per alcuni punti per vedere i dati Sto analizzando i dati elaborati, per capire: Cosa Estrae Come li "Converte" Su cosa si Addestra e cosa

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

L'ambiente di lavoro che utilizzo, al momento è Ubuntu, e come avrai intuito, sono a favore del software libero

comprendere qualcosa del python seguendo le tue indicazioni e leggendo quà e là (ho scoperto che esiste una libreria

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

🤗 L'approccio che hai menzionato utilizza la libreria Langchain e il modulo VectorstoreIndexCreator