Esiste un modo per convertire file py in ipynb, senza dannarsi l'anima? Da Colab basta scarica in py...

Io sto seguendo questo libro... https://pytorchstepbystep.com/ Se è interessato possiamo organizzarci x condividere lo studio (prevalentemente la sera). Se ha già fatto implementazioni anche su rpi sarebbe interessante... Io stavo pensando di fare un progetto pilota per adottare NN pytorch su un piccolo drone terrestre fatto con Raspberry... Ma credo che la parte di addestramento si possa fare con un simulatore tipo il vecchio vrep...

Ciao Andrea 🤗! Grazie per aver condiviso la tua idea di creare un gruppo di studio su PyTorch, siamo completamente d'accordo con te che sia un'ottima idea! Siamo anche disponibili ad aiutare a promuovere l'esistenza di questo gruppo. In effetti, come hai giustamente notato, ci sono pochi contenuti disponibili su PyTorch e ci siamo impegnati a colmare questa lacuna pubblicando recentemente un articolo introduttivo su PyTorch per principianti. ( https://www.intelligenzaartificialeitalia.net/post/introduzione-a-pytorch-per-principianti ) Se hai già creato un gruppo su Telegram o WhatsApp, saremmo lieti di includerlo nell'articolo, in modo che chi leggerà l'articolo possa unirsi al tuo gruppo. Ci farebbe piacere collaborare con te e aiutarti a creare una comunity attiva e motivata intorno a PyTorch. Facci sapere! 💻🤝📚

Ciao Salvatore! Sono Paolo dalla redazione di IntelligenzaArtificialeItalia.net. Ho dato un'occhiata alla tua situazione e vedo che ci sono un paio di cose che potremmo migliorare insieme per far funzionare al meglio il tuo modello di deep learning. 🚀 * Checkup iniziale: Prima di tutto, facciamo un rapido controllo sulla pulizia dei dati. Assicurati che non ci siano valori mancanti o incoerenti, specialmente nelle date convertite in timestamp. Un piccolo errore qui può rovinare tutto il dataset! * Riduci l'Overfitting: Hai notato un'accuratezza perfetta troppo presto, il che grida overfitting. Potremmo semplificare il modello. Magari inizia con meno neuroni per strato, tipo 64 e 32, e vedi come va. Aggiungi anche Dropout tra gli strati per aiutare a prevenire l'overfitting: from tensorflow.keras.layers import Dropout # Aggiungendo Dropout model.add(Dropout(0.5)) # Dove 0.5 è la frazione di input da annullare * Bilancia il Dataset: Se i tuoi dati sono sbilanciati (troppe istanze di una classe rispetto all'altra), il modello potrebbe diventare prevenuto. Usa tecniche di bilanciamento come il SMOTE o prova a pesare le classi nel tuo modello. * Validazione e Metriche: Cambia la tua metrica di successo. Oltre all'accuratezza, considera di utilizzare la precisione, il recall, e l'AUC-ROC per avere un quadro più chiaro di come il modello performa su classi diverse. * Cross-Validation: Per assicurarti che il modello sia stabile e generalizzi bene, implementa una cross-validation. Questo evita che il modello si "memorizzi" i tuoi dati di training. * Debugging e Log: Dai un'occhiata ai log di training. Se il modello ha sempre le stesse metriche ad ogni epoch, potrebbe essere un segno che non sta imparando nulla di nuovo. Potrebbe essere utile anche visualizzare i dati in input al modello proprio prima del training per assicurarsi che tutto sia in ordine. * Regolarizzazione: Considera di aggiungere una regolarizzazione L1 o L2 alle tue reti per penalizzare i pesi troppo grandi e ridurre l'overfitting: python Copia codice from tensorflow.keras.regularizers import l2 # Aggiungendo la regolarizzazione L2 model.add(Dense(64, activation='relu', kernel_regularizer=l2(0.01))) Per darci dentro, ecco un esempio di come potresti strutturare il tuo modello con queste modifiche: from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.regularizers import l2 model = Sequential([ Dense(64, activation='relu', kernel_regularizer=l2(0.001)), Dropout(0.3), Dense(32, activation='relu', kernel_regularizer=l2(0.001)), Dropout(0.3), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy', 'AUC']) Questi passaggi dovrebbero aiutarti a ottenere un modello più robusto e affidabile. Comunque senza divagarci in chiacchere, ho provato ad aggiungere io per te qualche cosetta, fammi sapere se con questo codice le cose migliorano. E' il file allegato Salvatore.txt Se hai bisogno di ulteriori dettagli o vuoi discutere altri aspetti, sono qui per aiutarti! 💪

Buongiorno, anzitutto grazie per le risposte. Ho tentato le soluzioni proposte ma il risultato rimane comunque alto, sicuramente a causa della scarsa quantità di dati in mio possesso al momento (solo 300). L'idea di inserire i pezzi nel motore di ML è molto interessante, ma non saprei come inserirli in quanto non ho un tempo di produzione per ogni singolo articolo, ma solo dell'intero ordine. Il nostro processo è il seguente: Commessa (che contiene più ordini - tutti con lo stesso inizio) > Ordini (Inizi uguali per commessa - Fine diverse) > Articoli (Ciascuno inserito in una commessa ed appartenente ad un ordine). Vorrei creare una tabella contenente gli articoli (circa 10000) in cui sono presenti: • Orario di inizio (preso da Commessa) • Orario di fine (preso da ordine - uguale per tutti gli articoli del medesimo ordine) • Tutti i dati del singolo artcolo • Numero di commessa Però mi si pongono due problemi, ovvero: • Il numero di commessa dovrebbe essere un valore categoriale, ma trattandolo come un one_hot_encoded_data avrei 300 colonne in più e non credo siano funzionali • Posto che questo ragionamento funzioni, per fare una previsione corretta dovrei inserire nel motore di previsione tutti gli articoli che vorrei inserire in una commessa, ma come si fa a dare al motore più righe in contemporanea? Grazie a chi mi vorrà aiutare!

Perfetto grazie mille.😉🤗

Grazie per la segnalazione abbiamo risolto.

Grazie! Siete dei GENI!!! 😍

Ciao Fortunato😊 grazie mille per aver un post sul forum. Si esatto anche questa volta è un semplice errore di librerie. Ti basterà usate questa riga prima di tutte le altre, e una volta runnata dovrai fare il RESTART DELLA RUNTIME. !pip install basemap Però crediamo che su colab potrebbe darti altri problemi di compatibilità tra numpy e tensorflow. Domani ti inviamo il codice esclusivamente x colab 😊

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