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
Fondatore di Diario Di Un Analista. Quasi 10 anni di esperienza nell'applicare la data science e il machine learning nell'ambito del marketing digitale e data mining.
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
Scopri Optuna, il potente framework Python per l'ottimizzazione efficiente degli iperparametri. Scoperto nelle competizioni Kaggle, Optuna ha rapidamente conquistato i data scientist per la sua semplicità e abiiltà di risparmiare tempo nella ricerca
Impara come strutturare la risposta di un modello linguistico per assicurare che il formato di risposta sia rispettato, come JSON
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
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
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
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
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.
Questo articolo offre informazioni essenziali sulle sfide comuni, il framing psicologico delle scelte di carriera e modelli mentali per il successo nella data science e machine learning