import KerasClassifier import tensorflow as tf from sklearn.model_selection import GridSearchCV #read data data = pd.read_csv("/content/Dataset_Terremoti.csv") data = data[['Date', 'Time', 'Latitude', 'Longitude ', 'Depth', 'Magnitude']] data.head() #preprocessing dati timestamp = [] for d, t in zip(data['Date' ], data['Time']): try: ts = datetime.datetime.strptime(d+' '+t, '%m/%d/%Y %H:%M:%S') =80, llcrnrlon=-180,urcrnrlon=180,lat_ts=20,resolution='c') longitudes = data["Longitude"].tolist()

Ogni informazione è delimitata da un tag specifico, come questo: <data> <student name = "John"> email> hannah@mail.com </email> <grade> A </grade> <age> 17 </age> </student> </data Data la struttura dei file XML, possiamo rappresentarli come un albero, e questo è l'approccio utilizzato L'analisi del nostro file "students.xml" inizia dalla radice dell'albero, ovvero l' <data>elemento, che Ogni iterazione restituirà un set di dati che può essere pensato come un'osservazione in un DataFrame

Sono sicuro che, data la mia ignoranza totale sul linguaggio, dovrò accontentarmi di trovare qualche

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 del test della personalità DISC 1K risponde a 42 domande sulla personalità, informazioni tecniche - Dataset [TE LO CONSIGLIAMO] - Repository su GITHUB Diciamo che questi pensiamo sono i dataset con più spiegazioni , ti segnaliamo DATASET una raccolta di oltre 1500 dataset pronti per essere utilizzati.

Ho dato un'occhiata alla tua situazione e vedo che ci sono un paio di cose che potremmo migliorare insieme 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! Aggiungendo Dropout model.add(Dropout(0.5)) # Dove 0.5 è la frazione di input da annullare * Bilancia il Dataset

Preparazione dei dati - Converti le sequenze esadecimali in array numerici per facilitare l'elaborazione - Crea un dataset di addestramento e di test suddividendo i dati storici disponibili. - Normalizza i dati per migliorare le prestazioni del modello. ( Questo passaggio non è obbligatorio - Queste architetture sono particolarmente adatte per elaborare sequenze di dati e apprendere le di base e richiederà sicuramente ulteriori ottimizzazioni e personalizzazioni per adattarsi ai tuoi dati

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