Stai iniziando il tuo percorso in Python, Data Science e Machine Learning?
Guide e tutorial per portarti a raggiungere i tuoi obiettivi
Vuoi rimanere aggiornato sulle ultime news e tecnologie di settore?
Iscriviti alla newsletter bisettimanale, recapitata ogni mercoledì e sabato alla tua casella email
Nessuno spam. Disiscriviti quando vuoi.
Di seguito tutte le risorse dedicate a chi sta vuole iniziare il processo di apprendimento nella data science e machine learning
Tutto inizia con il mindset giusto: superare i limiti autoimposti e comprendere che puoi imparare quello che vuoi
- Quali sfide ostacolano il tuo successo nel machine learning?
- Come approcciare i problemi di machine learning
Imparare Python: il linguaggio di programmazione più usato nell'industria
Comprendere il processo: come contestualizzare il tuo problema legato ai dati
Imparare le basi della data science ti permetterà di analizzare dataset, creare visualizzazioni e generare valore per il tuo datore di lavoro.
Framing dei problemi: strumenti e tecniche per aiutarti nelle fasi iniziali del tuo progetto
- Come prendere appunti nella Data Science
- Algoritmi e strutture dati per la data science in Python - Parte 1
Dataset e reperimento dati: comprendere come costruire o reperire dataset per il proprio progetto
- Costruire il proprio dataset: vantaggi, approccio e strumenti
- Dati sintetici: superare le limitazioni dei dataset reali nel machine learning
Analisi dei Dati: analizzare i dati per scoprire relazioni e generare valore
- Guida alla gestione delle variabili categoriali
- Guida alla gestione dei dati mancanti nella data science
- Analisi esplorativa dei dati con Python e Pandas
- Come identificare anomalie nei dati (outliers)
Visualizzazione dei dati: mettere su schermo i risultati dell'analisi dei dati
- Tecniche di data visualization: dal grafico allo storytelling
- Come usare LLM per la data visualization
Il machine learning tocca tanti argomenti, e non tratta solo degli algoritmi di cui tanto sentiamo parlare.
Oltre a dover sapere come funzionano gli algoritmi alla base dei modelli predittivi, dobbiamo capire come applicarli correttamente sui nostri dati.
Ecco come iniziare nel machine learning
Concetti fondamentali nel machine learning: la base per muoverci in territori più complessi
- Cos'è il Machine Learning: come spiego il concetto ad un neofita
- Il compromesso Bias-Varianza nel Machine Learning
- Algoritmi di Machine Learning: Guida introduttiva per comprendere i principi e le applicazioni
- Il più grande ostacolo nel machine learning: l’overfitting
- Data Leakage: cosa è e perché fa fallire i nostri sistemi predittivi
- Regolarizzazione L1 vs L2 nel Machine Learning: differenze, vantaggi e come applicarle in Python
- Rappresentazioni vettoriali per il Machine Learning
- Perché avere un grosso numero di feature può peggiorare il tuo modello
- Data science, data engineering, data analytics...ma c'è davvero differenza?
- Introduzione alle reti neurali - pesi, bias e attivazione
- Backpropagation: come apprendono le reti neurali
- Guida alle architetture delle reti neurali convolutive più famose
- Come integrare apprendimento supervisionato e non supervisionato nel Machine Learning
- Introduzione al Reinforcement Learning
Come strutturare progetti, obiettivi e metriche: guide all'organizzazione pratica dei nostri progetti e processi
- Come strutturare un progetto di machine learning
- Perché il tuo progetto di machine learning potrebbe fallire
- Valutazione delle performance di un modello di regressione
- Valutazione delle performance di un modello di classificazione binaria
Processi e schemi iterativi: scopri i processi più utili allo sviluppo di sistemi predittivi
- Come preparare i dati per il machine learning
- 6 linee guida per addestrare correttamente il tuo modello
- Cosa è la grid search e come applicarla in Python con Sklearn
- Come ripartire i dati per la cross-validazione K-fold
- Cosa è la cross-validazione nel machine learning
- Selezione delle feature con Boruta
- Personalizzare le Pipeline di Sklearn con BaseEstimator e TransformerMixin
- Come usare le Pipeline di Sklearn per ottimizzare la tua analisi
- Selezione del modello con Sklearn
- Tuning degli iperparametri con Optuna in Python
- Tecniche di feature engineering per variabili numeriche in Python
Algoritmi di machine learning: deep dive in alcuni degli algoritmi più rilevanti dell'industria
- Introduzione alla PCA in Python con Sklearn, Pandas e Matplotlib
- Introduzione al clustering non supervisionato con K-Means
Siamo oltre le basi fondamentali della data science e del machine learning - usando questi link imparerai ad andare oltre la teoria e a mettere in pratica i concetti imparati per generare valore
NLP (Natural Language Processing): articoli relativi all'elaborazione del linguaggio naturale
- Addestrare un modello Word2Vec da zero con Gensim
- Come calcolare la similarità tra testi di un sito web con TF-IDF in Python
- Tagging di contenuti con la logica fuzzy in Python
- Convertire testi in tensori per il Deep Learning
- Modello Bag of Words: cosa è e come funziona
- Come funziona un modello di autocorrezione?
- Estrazione keyword - un benchmark di 7 algoritmi in Python
- Raggruppamento (clustering) di testi con TF-IDF
Programmazione orientata agli oggetti (OOP) nel machine learning: crea flussi e processi da zero con le classi di Python
- Migliorare i propri modelli di dati con Pydantic
- Benchmark di modelli di machine learning con cross-validazione e visualizzazione in Python
PyTorch è il framework di deep learning di riferimento dell'industria. Qui di seguito i link di progetti e tecniche che lo utilizzano
Introduzione a PyTorch: processi e concetti nella scrittura di modelli
Tensorflow è un framework di deep learning di Google che offre funzionalità accessibili per chi inizia nel DL
Introduzione a Tensorflow: processi e concetti nella scrittura di modelli
- Introduzione a Tensorflow 2.0 - API e modello sequenziale di deep learning
- Early Stopping in TensorFlow - impedire l'overfitting di una rete neurale
- Come tokenizzare e fare padding di sequenze in Tensorflow
Progetti reali che possono essere replicati e applicati a diverse esigenze nel mondo digitale e non. Qui sfrutterai tutte le conoscenze apprese nelle sezioni precedenti per costruire applicativi usabili anche da altre persone.
Creazione dataset: scraping e recupero informazioni da API
Classificazione e Regressione: previsione di classi discrete o valori numerici continui
- Classificazione di Melanoma in TensorFlow: Distinguere tra Maligno e Benigno con Intelligenza Artificiale
- Classificazione binaria di immagini con Tensorflow
- Deep Learning e MNIST: Come utilizzare una rete neurale convolutiva per il riconoscimento di immagini
API e Deployment: servire sistemi predittivi via l'internet
LLM: progetti basati su large language models
- Cosa è ChatGPT - Approfondimento Tecnico e Consigli all'Utilizzo
- Prompt Engineering: una guida all'interrogazione efficace degli LLM
- La vulnerabilità lavorativa nell'era dell'IA
- Prompt Injection: una sfida irrisolta negli LLM
- Creare un Chatbot in Python con LangChain e RAG
- Oltre la RAG: GPT-4 e database vettoriali per la creazione di mappe mentali
- Come usare LLM in locale con ollama e Python
- Estrarre qualsiasi entità da testo con GLiNER
- Guidare la risposta di un LLM per output strutturato
Kaggle: walkthrough di progetti provenienti da competizioni
Serie temporali: prevedere valori in base al tempo
- Clustering di serie temporali per la previsione del mercato azionario in Python - Parte 1
- Previsione delle serie temporali con LSTM in Tensorflow
Serve altro aiuto?
Sono a disposizione per aiutarti a diventare più abile nella data science e machine learning.
Puoi contattarmi attraverso i seguenti link
- Via form di contatto su questo blog
- Via LinkedIn
- Via X.com
Segui il blog sui social
Se ti piace il contenuto proposto in questo blog, assicurati di seguire i canali social