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! 💪

Grazie, i tuoi suggerimenti sono bene accetti. Il libro è in italiano oppure solo inglese? Grazie.

Grazie per il sostegno, ne ho veramente bisogno. Ho iniziato a vedere un breve tutorial sul python e a modificare brevi codici per vedere cosa succede. Sono sicuro che, data la mia ignoranza totale sul linguaggio, dovrò accontentarmi di trovare qualche codice che ricordi un sistema esperto e poi modificarlo per il mio uso. Ti terrò informato sui progressi. Grazie per lo spunto. A presto. Ezio

Io su Firefox non vedevo il codice tradotto

Grazie come sempre della tua disponibilità, ora devo integrare questa routine all'interno dello script SE. A presto... Ezio

Grazie, proverò a controllare meglio.

Termini e condizioni della piattaforma o se è scritto chiaro da qualche parte in bella vista la tipologia di licenza (es. MIT, COMMONS, ecc.) poi googli per vedere che libertà hai

Ciao Alessandro e grazie per aver scritto sul nostro Forum. Allora esistono letteralmente un infinità di data set che puoi scegliere e che fanno al tuo caso. Nello specifico ricapitolando ti serve un dataset con una prediction e un tipo di classificazione binaria sul quale devi eseguire cleaning ed esplorazione dei dati, scelta di modello e algoritmo di classificazione, comparazione di due o più modelli. Per rimanere nel tema della Psicologia/Medicina ti consigliamo i seguenti set di Dati, alcuni più semplici altri più complessi : - Quì troverai 130 set di dati riguardanti la psicologia - Previsione introversa vs estroversa 7K risponde a 282 domande sulla personalità, informazioni tecniche [TE LO CONSIGLIAMO] - Maschi e Femmine Differiscono? Test di empatia-sistematizzazione 13K risposte a 125 domande sulla personalità, informazioni tecniche - Cosa causa l'alta libido? Scala della compulsività sessuale 3K risponde a 13 domande sulla personalità, informazioni tecniche - Risultati del test della personalità DISC 1K risponde a 42 domande sulla personalità, informazioni tecniche - Dataset del diabete , Predire l'insorgenza del diabete sulla base di misure diagnostiche - Set di dati (diagnostici) sul cancro al seno nel Wisconsin Prevedi se il cancro è benigno o maligno [TE LO CONSIGLIAMO] - Set di dati personali sui costi medici , Previsione assicurativa utilizzando la regressione lineare - Set di dati di previsione dell'ictus 11 caratteristiche cliniche per la previsione di eventi di ictus - Set di dati di previsione dell'insufficienza cardiaca, 11 caratteristiche cliniche per la previsione di eventi di malattie cardiache. [TE LO CONSIGLIAMO] - Repository su GITHUB Diciamo che questi pensiamo sono i dataset con più spiegazioni e con molte feautere da analizzare. Se riscontri dei problemi mentre li scarichi non farti problemi, indicaci il set di dati e te lo scarichiamo noi. Invece se vuoi provare con altri set di dati, che non riguardino per forza la psicologia o la medicina, ti segnaliamo DATASET una raccolta di oltre 1500 dataset pronti per essere utilizzati. Facci sapere se possiamo aiutarti in altro 😊

Assolutamente possibile e molto semplice. Usa p2j per convertire il codice sorgente Python in Jupyter Notebook. Dalla riga di comando, esegui --> pip install p2j quindi vai alla directory in cui si trova il tuo file. -->( per esempio-> cd download , se il file è nella directory di download) quindi esegui questa riga -->p2j iltuofile.py Questo creerà un file iltuofile.ipynb FACCI SAPERE SE FUNZIONA 😊👨‍💻

Grazie ancora per il link. A presto con altre notizie. Ezio

cercherò di fare il possibile perché l'argomento mi interessa, per il drone, e il simulatore, mi sento di consigliarti di lavorare su ROS. con Gazebo https://gazebosim.org/home

Grazie per la risposta molto esaustiva e più che soddisfacente! Proverò a informarmi al link che mi ha fornito. La saluto.

Ciao, sono Werner e scrivo da Bolzano. Grazie per la pagina web e per l'idea. Spero che la pagina prenda il volo. Io è da circa 1 anno che mi sono buttato nel machine learning. Ho iniziato leggendo qualche libro e poi seguendo tutti i possibili corsi online che sono riuscito a trovare. Da coursera a kaggle un po' tutto. Soffro un po' con python e tensorflow essendo per me terra da scoprire, ma piano piano si impara anche quello. Chissà se tutto ciò avrà per me impatti professionali, ma al momento non è la mia priorità. Trovo la materia semplicemente bella, interessante e molto stimolante. L'ambiente intorno al ML è in fibrillazione e per me super stimolante, un po' come agli albori dell'internet. Ciò che era alla portata solo dei giganti del web inizia ad essere alla portata di tutti e porterà novità e trasformazioni. Dopo aver trascorso mesi a studiare inizio a guardarmi intorno per trovare persone appassionate di ML come me, per poter scambiare idee e imparare ancora di più. Motivo per cui sono andato a sbattere su questa pagina web (: