Tecniche di feature engineering per variabili numeriche in Python
Scopri le tecniche di feature engineering più utili per convertire valori numerici in informazioni utili per il tuo modello predittivo usando Sklearn, Numpy e Python
Concetti e tecniche di Data Science, Machine Learning & Analytics
Guide e Tutorial da esperti di settore per aiutarti nel tuo percorso nella Data Science e Machine Learning
Newsletter su IA, tech e LLM
Clicca qui per cercare post
Novità
Post in evidenza
Post precedenti
Newsletter
Ricevi aggiornamenti su nuove pubblicazioni e news via email
Elaborazione della tua richiesta
Controlla la tua casella di posta e clicca sul link per confermare l’abbonamento.
Si è verificato un errore durante l’invio dell’email
Algoritmi e strutture dati per la data science in Python - Parte 1
Una lista comprensiva di algoritmi e strutture dati utili da conoscere per le interviste tecniche e con applicazioni pratiche nell'ambito della data science e machine learning
Estrarre qualsiasi entità da testo con GLiNER
GLiNER è un modello NER in grado di identificare qualsiasi tipo di entità utilizzando un codificatore di trasformatore bidirezionale (simile a BERT) che supera ChatGPT e altri LLM in task di classificazione dei token zero-shot
Come usare LLM in locale con ollama e Python
Scopri come eseguire modelli linguistici di grandi dimensioni (LLM) in locale su Windows, Mac o Linux con Ollama e Python, sfruttando il supporto GPU per prestazioni ottimali. Guida completa all'installazione e utilizzo
Oltre la RAG: GPT-4 e database vettoriali per la creazione di mappe mentali
Progetto che usa GPT-4 (o qualsiasi altro LLM), un database vettoriale e Streamlit per navigare una base di conoscenza ampia e creare mappe mentali da essa per una migliore fruizione delle informazioni
Classificazione di Melanoma in TensorFlow: Distinguere tra Maligno e Benigno con Intelligenza Artificiale
In questo articolo sarà implementata una rete neurale convoluzionale utilizzando Keras con TensorFlow come backend. Verrà condotta un'analisi dei risultati al fine di valutare l'utilità pratica del modello nell'identificazione di lesioni cutanee
Come Approcciare i Problemi di Machine Learning
Scopri come affrontare i problemi di machine learning con un approccio strutturato: dalla preparazione dei dati alla scelta del modello, evitando errori comuni e ottimizzando le performance.
Potrebbero interessarti
