I dataset di test sono piccoli set di dati inventati che consentono di testare un algoritmo di apprendimento automatico. I dati dei set di dati di test hanno proprietà ben definite, come linearità o non linearità, che consentono di esplorare il comportamento dell'algoritmo specifico. La libreria Python scikit-learn fornisce una suite di funzioni per la generazione di campioni da problemi di test configurabili per la regressione e la classificazione. In questo tutorial scoprirai problemi di test e come usarli in Python con scikit-learn. Dopo aver completato questo tutorial, saprai: Come generare problemi di test di previsione di classificazione multi-classe. Come generare problemi di test di previsione della classificazione binaria. Come generare problemi di test di predizione di regressione lineare. Prerequisiti : Se non sai cosa è il Machine Learning, clicca qui Se non sai come scaricare e gestire le librerie, clicca qui Se non sai cosa sia un Dataset, clicca qui Se non sai perchè utilizziamo python, clicca qui Non hai un ambiente di sviluppo ? clicca qui Generare dataset con python Un problema durante lo sviluppo e l'implementazione di algoritmi di apprendimento automatico è come sapere se li hai implementati correttamente. I set di dati di test sono piccoli problemi inventati che consentono di testare ed eseguire il debug degli algoritmi. Sono anche utili per comprendere meglio il comportamento degli algoritmi in risposta alle modifiche degli iperparametri. Di seguito sono riportate alcune proprietà dei set di dati di test: Possono essere generati rapidamente e facilmente. Contengono risultati "conosciuti" o "compresi" per il confronto con le previsioni. Sono stocastici, consentendo variazioni casuali sullo stesso problema ogni volta che vengono generati. Sono piccoli e facilmente visualizzabili in due dimensioni. Possono essere ridimensionati banalmente. Consiglio di utilizzare i set di dati di test quando si inizia con un nuovo algoritmo di apprendimento automatico o quando si sviluppa un nuovo cablaggio di test. scikit-learn è una libreria Python per l'apprendimento automatico che fornisce funzioni per generare una suite di problemi di test. In questo tutorial, esamineremo alcuni esempi di generazione di problemi di test per algoritmi di classificazione e regressione. Generare dataset di classificazione La classificazione è il problema dell'assegnazione di etichette alle osservazioni. In questa sezione esamineremo tre problemi di classificazione: blob, lune e cerchi. Generare dataset di classificazione La funzione make_blobs() può essere utilizzata per generare blob di punti con una distribuzione gaussiana. Puoi controllare quanti BLOB generare e il numero di campioni da generare, oltre a una miriade di altre proprietà. Il problema è adatto per problemi di classificazione lineare data la natura linearmente separabile dei blob. L'esempio seguente genera un set di dati 2D di campioni con tre BLOB come problema di previsione della classificazione multi-classe. Ogni osservazione ha due input e 0, 1 o 2 valori di classe. # Genera un dataset per la classificazione 2d X, y = make_blobs(n_samples=100, centers=3, n_features=2) L'esempio completo è elencato di seguito. from sklearn.datasets import make_blobs from matplotlib import pyplot from pandas import DataFrame # Genera un dataset per la classificazione 2d X, y = make_blobs(n_samples=100, centers=3, n_features=2) # Creiamo uno scatter plot per il valore della classe df = DataFrame(dict(x=X[:,0], y=X[:,1], label=y)) colors = {0:'red', 1:'blue', 2:'green'} fig, ax = pyplot.subplots() grouped = df.groupby('label') for key, group in grouped: group.plot(ax=ax, kind='scatter', x='x', y='y', label=key, color=colors[key]) pyplot.show() L'esecuzione dell'esempio genera gli input e gli output per il problema e quindi crea un pratico grafico 2D che mostra i punti per le diverse classi utilizzando colori diversi. Nota, il tuo set di dati specifico e la trama risultante varieranno data la natura stocastica del generatore di dati. Questa è una funzionalità, non un bug. Useremo questa stessa struttura di esempio per i seguenti esempi. Generare dataset di classificazione ( lune ) La funzione make_moons() è per la classificazione binaria e genererà uno schema di turbolenza o due lune. Puoi controllare quanto sono rumorose le forme della luna e il numero di campioni da generare. Questo problema di test è adatto per algoritmi in grado di apprendere limiti di classe non lineari. L'esempio seguente genera un set di dati lunare con rumore moderato. # Genera un dataset per la classificazione 2d X, y = make_moons(n_samples=100, noise=0.1) L'esempio completo è elencato di seguito. from sklearn.datasets import make_moons from matplotlib import pyplot from pandas import DataFrame # Genera un dataset per la classificazione 2d X, y = make_moons(n_samples=100, noise=0.1) # Creiamo uno scatter plot per il valore della classe df = DataFrame(dict(x=X[:,0], y=X[:,1], label=y)) colors = {0:'red', 1:'blue'} fig, ax = pyplot.subplots() grouped = df.groupby('label') for key, group in grouped: group.plot(ax=ax, kind='scatter', x='x', y='y', label=key, color=colors[key]) pyplot.show() L'esecuzione dell'esempio genera e traccia il set di dati per la revisione, colorando ancora i campioni in base alla classe assegnata. Generare dataset di classificazione ( cerchi ) La funzione make_circles() genera un problema di classificazione binaria con set di dati che rientrano in cerchi concentrici. Ancora una volta, come con il problema del test delle lune, puoi controllare la quantità di rumore nelle forme. Questo problema di test è adatto per algoritmi in grado di apprendere varietà non lineari complesse. L'esempio seguente genera un set di dati circles con un po' di rumore. # Genera un dataset per la classificazione 2d X, y = make_circles(n_samples=100, noise=0.05) L'esempio completo è elencato di seguito. from sklearn.datasets import make_circles from matplotlib import pyplot from pandas import DataFrame # Genera un dataset per la classificazione 2d X, y = make_circles(n_samples=100, noise=0.05) # Creiamo uno scatter plotordinato per il valore della classe df = DataFrame(dict(x=X[:,0], y=X[:,1], label=y)) colors = {0:'red', 1:'blue'} fig, ax = pyplot.subplots() grouped = df.groupby('label') for key, group in grouped: group.plot(ax=ax, kind='scatter', x='x', y='y', label=key, color=colors[key]) pyplot.show() L'esecuzione dell'esempio genera e traccia il set di dati per la revisione. Generare dataset di regressione La regressione è il problema di prevedere una quantità data un'osservazione. La funzione make_regression() creerà un set di dati con una relazione lineare tra input e output. Puoi configurare il numero di campioni, il numero di funzioni di input, il livello di rumore e molto altro. Questo set di dati è adatto per algoritmi in grado di apprendere una funzione di regressione lineare. L'esempio seguente genererà 100 esempi con una funzione di input e una funzione di output con un rumore modesto. # Generiamo un Dataset per la regressione ( regression dataset ) X, y = make_regression(n_samples=100, n_features=1, noise=0.1) L'esempio completo è elencato di seguito. from sklearn.datasets import make_regression from matplotlib import pyplot # Generiamo un Dataset per la regressione ( regression dataset ) X, y = make_regression(n_samples=100, n_features=1, noise=0.1) # Creiamo il dataset del nostro set di dati pyplot.scatter(X,y) pyplot.show() L'esecuzione dell'esempio genererà i dati e traccia la relazione X e y, che, dato che è lineare, è piuttosto noiosa. Estensioni Questa sezione elenca alcune idee per estendere il tutorial che potresti voler esplorare. Confronta algoritmi . Seleziona un problema di test e confronta una suite di algoritmi sul problema e segnala le prestazioni. Problemi aggiuntivi . La libreria fornisce una suite di problemi di test aggiuntivi; scrivi un esempio di codice per ciascuno per dimostrare come funzionano. Se esplori una di queste estensioni, ci piacerebbe saperlo. Magari faccelo sapere nei commenti. Ulteriori letture Questa sezione fornisce ulteriori risorse sull'argomento se stai cercando di approfondire. Feature Engineering e Feature Selection per Principianti e non Come preparare i dati per il Machine Learning Come Analizzare Un Dataset in Solo 5 Passaggi Cosa è un Dataset e a cosa serve Dove trovare i migliori Dataset per esercitarsi Manipolazione Dati con Python e Pandas Cosa hai imparato ? In questo tutorial, hai scoperto problemi di test e come usarli in Python con scikit-learn. Nello specifico hai imparato: Come generare dataset di test di previsione di classificazione multi-classe. Come generare dataset di test di previsione della classificazione binaria. Come generare dataset di test di predizione di regressione lineare. Hai domande? Fai pure le tue domande nei commenti qui sotto e faremo del nostro meglio per rispondere.

Ha un debugger intelligente che analizza il codice ed evidenzia gli errori. IDE Python open source leggero che dispone di una versione gratuita e di una versione a pagamento per aziende

fa eccezione, ed è uno di quei campi in cui l'apprendimento automatico è stato in grado di mostrare l'intelligenza artificiale generale (non del tutto ma almeno in parte) ottenendo risultati brillanti per compiti davvero facilmente uno degli argomenti più caldi del settore a causa della sua rilevanza e del numero di problemi aziendali in Python della Sentiment Analysis In che modo la Sentiment Analysis sta influenzando diversi ambiti aziendali La Sentiment Analysis è importante perchè risolve una serie di problemi aziendali reali, tra cui: Aiuta

tecnologia sta assistendo a un evento senza precedenti: la crescita esplosiva di DeepSeek , un modello di intelligenza artificiale cinese che, in pochi mesi, ha sfidato i giganti occidentali come OpenAI , Claude, Gemini Gli Stati Uniti sanno che il dominio sull’intelligenza artificiale non è solo una questione economica Dalle Quant Fund all’Intelligenza Artificiale, la srtoria di DeepSeek DeepSeek nasce nel 2023 da Liang DeepSeek diventa dominante La Cina stabilisce i nuovi standard dell’intelligenza artificiale.

Il deep learning è un campo in continua evoluzione e in costante miglioramento nel consentire alle aziende L'intelligenza artificiale non è solo per le grandi aziende con budget elevati, perché richiede molti dati, è anche uno strumento che può essere utilizzato da aziende di qualsiasi dimensione.

Iniziamo con una definizione di funzione di attivazione "Nelle reti neurali artificiali, ogni neurone più semplice rete neurale per principianti Come hackerare una rete neurale Cosa sono le reti neurali artificiali La capacità di introdurre la non linearità in una rete neurale artificiale e generare output da una raccolta Regressione Logistica per l'apprendimento automatico Scikit Learn e Python Tutorial Per Creare Modelli di Intelligenza Artificiale Tutorial Pratico Tensorflow , TensorBoard e Python Feature Engineering e Feature Selection

A causa del mercato del lavoro in forte espansione e della crescente dipendenza delle aziende da soluzioni Reti neurali Le reti neurali (Artificial Neural Networks o ANN) sono un paradigma di programmazione ispirato L'elaborazione del linguaggio naturale è un ramo entusiasmante dell'intelligenza artificiale che ti consente

L'intelligenza artificiale sta rivoluzionando il mondo della medicina e della sanità, offrendo enormi In particolare, una delle tecnologie più promettenti è l'intelligenza artificiale generativa, in grado L'intelligenza artificiale generativa (Generative AI) rappresenta l'ultima frontiera dell'IA e si differenzia dalle forme "tradizionali" di intelligenza artificiale per la sua capacità di produrre nuovi contenuti IA generativa e Medicina L'applicazione dell'intelligenza artificiale generativa in ambito medico-sanitario

“Le tecnologie digitali hanno un ruolo centrale, in particolare l’Artificial Intelligence, il Machine Strategist di RAIT88 - che permettono di prevedere in modo più accurato il fabbisogno sistemico-strategico aziendale Intelligenza Artificiale al servizio della ripresa e del rilancio delle aziende italiane colpite dalla Paolo Fantozzi, docente Lumsa, ricercatore attivo nell’Intelligenza Artificiale; il Prof. RAIT88 è un Hub di riferimento nei settori della Robotica, Realtà Virtuale, Artificial Intelligence e

linguaggio naturale (NLP) L'elaborazione del linguaggio naturale (NLP) è un campo dell'informatica e dell'intelligenza artificiale che si occupa di consentire ai computer di comprendere, interpretare e generare il linguaggio

È un sottoinsieme dell'intelligenza artificiale, che si concentra sull'utilizzo di tecniche statistiche Ad esempio, le pagine Web, gli articoli, i blog, i rapporti aziendali e le e-mail. Le macchine intelligenti possono essere addestrate per monitorare i modelli di spesa. Conclusione In poche parole, possiamo dire che l'apprendimento automatico è un'incredibile svolta nel campo dell'intelligenza artificiale.

Inoltre, non c'è bisogno di creare da zero una pipeline di modelli: molte aziende offrono servizi di Google, Microsoft e Amazon sono solo alcuni esempi di aziende che offrono questa opzione.

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 Prima di iniziare la giuda pratica per creare uno Scatterplot partendo da un dataset vediamo quando è utile o necessario utilizzare il grafico a dispersione. Cosa è lo Satterplot? Il grafico a dispersione rappresenta su due assi (x & y), mediante dei punti, coppie di dati numerici, con una variabile di coordinate ( x, y ). Quando è consigliato usarlo? Quando bisogna cercare quale variabile indipendente influenzi maggiormente la variabile dipendente Quando la variabile dipendente può avere più valori per ogni valore della variabile indipendente Quando si cerca di determinare se le due variabili sono correlate. In alcuni casi vine anche usato per la visualizzazione di cluster. Installiamo le librerie Per installare le librerie necessarie per la rappresentazione 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 Giuda alla visualizzazione dello ScatterPlot da un file Excel Creiamo un nuovo file e importiamo le librerie che ci serviranno. Per questo esempio utilizzeremo questo file excel import matplotlib.pyplot as plt import pandas as pd Creiamo adesso con pandas il nostro dataset in memoria. #carichiamo in Ram i dati contenuti nel file excel dataset = pd.read_excel (r'mq_prezzo_appartamento.xlsx') ​ #stampiamo il nostro dataset print(dataset) ​ Output: mq prezzo 0 50 37500 1 55 45375 2 60 54000 3 65 63375 4 70 73500 5 75 84375 6 80 96000 7 85 108375 8 90 121500 9 95 135375 10 100 150000 11 105 165375 12 110 181500 13 115 198375 14 120 216000 15 125 234375 16 130 253500 17 135 273375 18 140 294000 19 145 315375 20 150 337500 21 155 360375 22 160 384000 23 165 408375 24 170 433500 25 175 459375 26 180 486000 27 185 513375 28 190 541500 29 195 570375 30 200 600000 31 205 630375 32 210 661500 33 215 693375 34 220 726000 35 225 759375 36 230 793500 37 235 828375 38 240 864000 Creiamo due liste conteneti rispettivamente i valori X (metri quadrati) e Y (prezzo appartamento) mq = dataset['mq'] prezzo = dataset['prezzo'] ​ #stampiamo le nostre liste print(mq,prezzo) Output: 0 50 1 55 2 60 3 65 4 70 5 75 6 80 7 85 8 90 9 95 10 100 11 105 12 110 13 115 14 120 15 125 16 130 17 135 18 140 19 145 20 150 21 155 22 160 23 165 24 170 25 175 26 180 27 185 28 190 29 195 30 200 31 205 32 210 33 215 34 220 35 225 36 230 37 235 38 240 Name: mq, dtype: int64 0 37500 1 45375 2 54000 3 63375 4 73500 5 84375 6 96000 7 108375 8 121500 9 135375 10 150000 11 165375 12 181500 13 198375 14 216000 15 234375 16 253500 17 273375 18 294000 19 315375 20 337500 21 360375 22 384000 23 408375 24 433500 25 459375 26 486000 27 513375 28 541500 29 570375 30 600000 31 630375 32 661500 33 693375 34 726000 35 759375 36 793500 37 828375 38 864000 Name: prezzo, dtype: int64 Visti così non si capisce poco e niente, ma ora vedremo come rappresentarli con un grafico a dispesione La libreria MatplotLib offre anche la possibilità di personalizzare i nostri grafici. #definire il titolo del grafico plt.title("Rapporto dimensione / prezzo degli appartamenti") ​ #definire il testo dell'asse x plt.xlabel("Dimensione in m^2 dell'appartamento") ​ #definire il testo dell'asse y plt.ylabel("prezzo in € dell'appartamento") ​ #definire lo sfondo a griglia plt.grid() ​ #definire le dimensioni de grafico plt.rcParams['figure.figsize'] = [15,10] #altezza,lunghezza ​ #la funzione per creare il grafico è molto semplice plt.scatter(mq,prezzo, label="Rapporto appartamenti", marker="s") ​ #definire la leggenda del grafico plt.legend() ​ #salviamo il grafico plt.savefig("scatterPlot_rapporto_mq_prezzo_appartamenti.png") ​ #mostriamo il grafico plt.show() output: Scarica Gratuitamente l'esempio Per scaricare gratuitamente devi prima registrati/accede al portale. Scorri in fondo alla pagina per registrati o accedere Giuda alla visualizzazione dello scatterPlot da dati generati Creiamo un nuovo file e importiamo le librerie che ci serviranno. import matplotlib.pyplot as plt import numpy as np Creiamo adesso con numpy generiamo due liste di dati # utilizzando la funzione np.random.randint(50,150, size=50)+10 andiamo a creare una lista # contenente 50 (size) numeri casuali interi da 50 a 150, i quali indicheranno la metratura quadrata metriquadrati_appartamento = np.random.randint(50,150, size=50)+10 ​ # utilizzando la funzione np.power(metriquadrati_appartamento, 2)*9 andiamo a creare una lista # contenente 50 numeri generati elevando al quadrato e moltiplicato per 15 la metratura quadrata prezzi_appartamento = np.power(metriquadrati_appartamento, 2)*15 print(metriquadrati_appartamento,prezzi_appartamento) output: [157 147 153 122 142 150 105 62 73 120 133 159 123 124 102 92 83 136 90 154 119 141 111 126 82 75 159 95 134 113 145 98 148 71 137 158 151 132 61 101 96 158 125 157 105 65 62 129 104 97] [369735 324135 351135 223260 302460 337500 165375 57660 79935 216000 265335 379215 226935 230640 156060 126960 103335 277440 121500 355740 212415 298215 184815 238140 100860 84375 379215 135375 269340 191535 315375 144060 328560 75615 281535 374460 342015 261360 55815 153015 138240 374460 234375 369735 165375 63375 57660 249615 162240 141135] Visti così non si capisce poco e niente, ma ora vedremo come rappresentarli con un grafico a dispersione La libreria MatplotLib offre anche la possibilità di personalizzare i nostri grafici. #definire il titolo del grafico plt.title("Rapporto dimensione / prezzo degli appartamenti") ​ #definire il testo dell'asse x plt.xlabel("Dimensione in m^2 dell'appartamento") ​ #definire il testo dell'asse y plt.ylabel("prezzo in € dell'appartamento") ​ #definire lo sfondo a griglia plt.grid() ​ #definire le dimensioni de grafico plt.rcParams['figure.figsize'] = [15,10] #altezza,lunghezza ​ #la funzione per creare il grafico è molto semplice plt.scatter(metriquadrati_appartamento,prezzi_appartamento, label="Rapporto appartamenti", marker="s") ​ #definire la leggenda del grafico plt.legend() ​ #salviamo il grafico plt.savefig("scatterPlot_rapporto_mq_prezzo_appartamenti.png") #mostriamo il grafico plt.show() output: Scarica Gratuitamente l'esempio Per scaricare gratuitamente devi prima registrati/accede al portale. Scorri in fondo alla pagina per registrati o accedere Utilità dello ScatterPlot nei Progetti di Analisi Dati Lo ScatterPlot è un'importante strumento di visualizzazione dati ampiamente utilizzato nell'analisi statistica e nell'indagine dei dati. Oltre ai contesti trattati nell'articolo, come la relazione tra due variabili e la ricerca di correlazioni, lo ScatterPlot può essere impiegato in molteplici altri contesti. Ad esempio, nei progetti di analisi dati avanzata, lo ScatterPlot può essere utilizzato per identificare outliers o valori anomali all'interno del dataset. Questi punti, distanti dalla distribuzione principale dei dati, possono fornire preziose informazioni su fenomeni eccezionali o errori di misurazione. Lo ScatterPlot può essere impiegato nella fase di esplorazione dei dati per individuare eventuali pattern o strutture nascoste. Attraverso l'osservazione della distribuzione dei punti sul grafico, è possibile identificare raggruppamenti o tendenze che potrebbero non emergere con altre tecniche di visualizzazione. Infine, lo ScatterPlot può essere utilizzato per la visualizzazione di dati multidimensionali, mediante l'impiego di tecniche come la colorazione dei punti o l'aggiunta di dimensioni aggiuntive tramite grafici 3D. Questo permette di esplorare relazioni complesse tra più variabili simultaneamente, offrendo una panoramica dettagliata del dataset. Personalizzazione dei Grafici con MatplotLib: Consigli e Trucchi Oltre alla semplice creazione di grafici, MatplotLib offre una vasta gamma di opzioni per personalizzare l'aspetto e il layout dei grafici stessi. Alcuni suggerimenti e trucchi per ottenere grafici più accattivanti e informativi includono: Personalizzazione degli assi e dei titoli: Utilizza i comandi di MatplotLib per definire titoli accattivanti per i tuoi grafici e per etichettare chiaramente gli assi x e y. Questo rende più semplice per gli utenti interpretare i dati rappresentati sul grafico. Gestione dello sfondo e delle dimensioni: Modifica lo sfondo dei grafici per renderli più leggibili e professionali. Inoltre, regola le dimensioni dei grafici in modo da adattarle al contesto in cui verranno visualizzati, evitando grafici troppo piccoli o troppo grandi. Utilizzo di marker e colori distintivi: Scegli marker e colori che si distinguono chiaramente sul grafico, facilitando l'individuazione dei punti e migliorando la leggibilità complessiva del grafico. Aggiunta di legende e annotazioni: Fornisci chiare legende per i tuoi grafici in modo che gli utenti possano comprendere facilmente i dati rappresentati. Inoltre, considera l'aggiunta di annotazioni o testo esplicativo per fornire ulteriori contestualizzazioni o spiegazioni. Esportazione e condivisione dei grafici: Una volta creato il grafico desiderato, ricorda di esportarlo in formati compatibili con la condivisione online o la pubblicazione su documenti. MatplotLib supporta vari formati di esportazione, come PNG, PDF e SVG, consentendo una facile condivisione e distribuzione dei grafici. Con questi suggerimenti e trucchi, sarai in grado di creare grafici accattivanti e informativi utilizzando MatplotLib, arricchendo ulteriormente il tuo lavoro di analisi dati e visualizzazione delle informazioni. Grazie mille per la lettura, condividi l'articolo per sostenerci

I dati sono la spina dorsale di tutti i sottocampi della scienza dei dati. Indipendentemente dalle dimensioni o dall'applicazione del progetto che stai costruendo, dovrai ottenere e analizzare i dati. Molto spesso, i dati di cui hai bisogno sono archiviati in un DBMS (sistema di gestione del database). Per interagire e comunicare con il DBMS, è necessario utilizzare la sua lingua o una lingua che comprende. Il linguaggio utilizzato per interagire con i DBMS è SQL (Structured Query Language). Negli ultimi anni è emerso un altro termine nel campo dei database: database NoSQL. Se hai appena iniziato con la scienza dei dati, potresti aver sentito parlare di database SQL e NoSQL. Ma qual è la differenza tra Sql e NosSql e come si sceglie quale utilizzare? Partiamo dall'inizio assoluto. Perché abbiamo due approcci per interagire con i database? Semplice: SQL e NoSQL interagiscono con diversi tipi di database. SQL è l'approccio utilizzato per interagire con i database relazionali, mentre NoSQL viene utilizzato per interagire con i database non relazionali. SQL VS. NOSQL: QUAL È LA DIFFERENZA? I database SQL sono più vecchi, quindi hanno la strutture più consolidate. I database NoSQL sono facilmente scalabili, flessibili e relativamente semplici da usare grazie al loro schema flessibile. SQL è l'approccio utilizzato per interagire con i database relazionali, mentre NoSQL viene utilizzato per interagire con i database non relazionali. Database relazionali Nei database relazionali, i dati vengono archiviati in tabelle diverse, ciascuna contenente più record (righe). Queste tabelle sono collegate tra loro tramite una o più relazioni. Le chiavi definiscono la relazione tra le tabelle. Una chiave è il campo della tabella (colonna) che contiene valori univoci per ogni record. Se un campo è definito come chiave primaria di una tabella, questo campo può essere incluso in più tabelle e può essere utilizzato per accedere a tabelle diverse contemporaneamente. Una volta che una chiave primaria connette una tabella a un'altra, diventerà nota nell'altra tabella come chiave esterna. Ad esempio, l'immagine seguente mostra parte del database di una compagnia aerea. Abbiamo due tavoli: tavolo piloti e tavolo voli. Queste due tabelle sono collegate e utilizzate come chiave primaria nella tabella dei piloti "PilotId". Posso usare l'ID del pilota per accedere alle informazioni sul pilota per la tabella dei piloti e sui voli che questo pilota sta gestendo dalla tabella dei voli. Quindi, nella tabella dei piloti, PilotId è la chiave primaria, mentre è una chiave esterna nella tabella dei voli. PilotId viene utilizzato qui per formare una relazione tra le due tabelle. Database non relazionali A differenza dei database relazionali, i database non relazionali, i database NoSQL, non memorizzano i dati in tabelle e record. Invece, in questi tipi di database, la struttura di archiviazione dei dati è progettata e ottimizzata per esigenze specifiche. Invece di SQL, che è ciò che usano i database relazionali, i database NoSQL usano la mappatura relazionale degli oggetti (ORM) per facilitare la comunicazione con i suoi dati. I quattro tipi più diffusi di database NoSQL sono: orientati alla colonna, orientati al documento, coppie chiave-valore e database a grafo. Puoi utilizzare questi tipi singolarmente o combinarli. La scelta dipenderà dalla tua applicazione e dal tipo di dati che devi archiviare. DATABASE ORIENTATI ALLE COLONNE Come suggerisce il nome, in un database orientato a colonne, i dati vengono archiviati e organizzati come colonne. Questo tipo di database è utile se è necessario archiviare dati sparsi. DATABASE ORIENTATO AI DOCUMENTI In un database orientato ai documenti, la struttura dei dati ordinati non è così rigida. Al contrario, i dati vengono archiviati come una raccolta di campi e valori di dati insieme nella struttura di un documento. Questi database orientati ai documenti sono spesso archiviati come stringhe JSON e possono essere codificati utilizzando YAML, XML o come testo normale per proteggere i dati. Un vantaggio dell'utilizzo di un database orientato ai documenti è che i documenti non devono avere tutti la stessa struttura. Ciò significa che lo sviluppatore ha la libertà di ordinare diversi tipi di dati all'interno dello stesso database. In Python, MongoDB è un esempio di database orientati ai documenti. DATABASE DI VALORI-CHIAVE Se hai familiarità con Python, puoi pensare a un database di valori-chiave come a un dizionario Python. Ogni oggetto dati nel database verrà archiviato come una coppia: una chiave e un valore. DATABASE A GRAFI Quando i tuoi dati sono altamente interconnessi, dovrai utilizzare un database che ti consenta di implementare l'interconnessione dei dati in modo efficiente. I database Graph sono considerati i database NoSQL più complessi. Tuttavia, i database di grafici sono versatili, il che li rende ideali per molte applicazioni. Come scegliere tra SQL e NoSQL Quindi, come possiamo scegliere tra database SQL e NoSQL? Ci sono quattro aspetti che devi considerare per rispondere a questa domanda: flessibilità, scalabilità, coerenza e tecnologia disponibile. 1. FLESSIBILITÀ SQL VS NoSQL A volte i tuoi dati hanno strutture diverse e tipi diversi. Per definizione, i database NoSQL ti danno più libertà di progettare il tuo schema e archiviare diverse strutture di dati all'interno dello stesso database. I database SQL, d'altra parte, hanno una struttura e uno schema più rigidi. 2. SCALABILITÀ SQL VS NoSQL Hai mai visto un ascensore giapponese per parcheggi auto? Ti permette di parcheggiare le auto una sopra l'altra. Ora chiediti questo: quale sarà più efficiente, aggiungendo livelli all'ascensore o costruendo nuovi ascensori? I database SQL sono scalabili verticalmente, il che significa che puoi aggiungere livelli (aumentare il carico) mentre i database NoSQL sono scalabili orizzontalmente, il che significa che puoi aumentarne il carico dividendo il lavoro su più server. 3. COERENZA SQL VS NoSQL I database SQL hanno un design altamente coerente. Tuttavia, un database NoSQL può essere coerente (o meno) basato su DBMS. Ad esempio, MongoDB è coerente, mentre un database come Cassandra non lo è. 4. TECNOLOGIA DISPONIBILE SQL VS NoSQL Un aspetto che potresti considerare è l'attuale fase di sviluppo della tecnologia dei database. Poiché i database SQL esistono da molto tempo, sono più sviluppati dei database NoSQL. Quindi, per i principianti, iniziare con SQL e poi passare a NoSQL potrebbe essere la scelta migliore. Come regola generale, SQL è una scelta migliore se hai a che fare con un RDBMS (sistema di gestione di database relazionali) e desideri analizzare il comportamento dei dati o desideri creare dashboard personalizzati. Inoltre, SQL spesso consente un'archiviazione e un ripristino dei dati più rapidi e funziona meglio con query complesse. D'altra parte, i database NoSQL sono la scelta migliore se si desidera espandere la struttura standard di RDBMS o se è necessario creare uno schema flessibile. I database NoSQL sono anche migliori quando i dati che stai archiviando e registrando provengono da origini distribuite o devi solo archiviarli temporaneamente. Conclusione SQL VS NoSQL Alla fine, non possiamo dire che SQL sia assolutamente migliore di NoSQL o viceversa. Ognuno ha i suoi vantaggi e svantaggi e dovresti fare la tua scelta in base ai tuoi dati, alla loro applicazione e a ciò che ti semplifica il processo di sviluppo. I database SQL sono più vecchi, quindi hanno una strutture fisse più consolidate. I database NoSQL sono facilmente scalabili, flessibili e relativamente semplici da usare grazie al loro schema flessibile. Quindi, quali sono i requisiti dei tuoi dati? I tuoi dati sono ben strutturati? Hai a che fare con una grande quantità di dati? Ascolta i tuoi dati e farai la scelta migliore. Letture consigliate per "SQL vs. NoSQL : le principali differenze tra i database SQL e NoSQL" : Cosa è un Dataset e a cosa serve Come Analizzare Un Dataset in Solo 5 Passaggi Dove trovare i migliori Dataset per esercitarsi con il Machine learning Come Creare Un Dataset per il tuo Progetto Di Machine Learning Dataset per Esercitarsi nella Data Science e Data Visualizzation Manipolazione Dati con Python e Pandas Come preparare i dati per il Machine Learning o apprendimento automatico Analisi esplorativa dati con Python. Analisi esplorativa dei dati (EDA) Una Guida Semplice e Completa per passare da Excel a Python Come Generare dataset con python e scikit-learn

Il team di Intelligenza Artificiale Italia ha creato una guida gratuita per le interviste/colloqui sulla Il secondo è se è possibile scegliere in che modo i dati sono correlati ai risultati aziendali in generale modello di business e porre buone domande al tuo reclutatore e iniziare a pensare a quali problemi aziendali seguito contiene alcuni esempi, come alberi decisionali che classificano le persone in diversi livelli di intelligenza automatico verificano se hai lavorato su progetti di apprendimento automatico al di fuori di un ruolo aziendale