Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Come implementare la regressione logistica da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/03%20Logistic%20Regression
Come implementare la regressione logistica da zero con Python
Il video spiega come implementare la regressione logistica da zero con Python, utilizzando la funzione sigmoid per creare probabilità e l'entropia incrociata come funzione di errore. L'istruttore condivide istruzioni dettagliate per il calcolo di previsioni, gradienti e errori di aggiornamento attraverso le iterazioni. Dimostrano anche come caricare un set di dati sul cancro al seno e addestrare il classificatore di regressione logistica per prevedere se un tumore è maligno o benigno. Il video si conclude valutando l'accuratezza del modello utilizzando una funzione personalizzata. Nel complesso, l'implementazione ha successo e dimostra che l'algoritmo di regressione logistica funziona bene.
Come implementare gli alberi decisionali da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/04%20Decision%20Trees
Come implementare gli alberi decisionali da zero con Python
Il video fornisce una guida dettagliata sulla creazione di un albero decisionale da zero utilizzando Python. Il relatore spiega il concetto di alberi decisionali, come funzionano e come sono costruiti. Discutono i criteri di arresto, la funzione di crescita dell'albero, le funzioni di supporto "etichetta più comune", "guadagno di informazioni", "entropia" e "divisione", nonché la funzione di previsione. L'oratore dimostra anche come calcolare il guadagno di informazioni, l'entropia ponderata e l'accuratezza. Inoltre, testano il modello dell'albero decisionale e forniscono ai visualizzatori un collegamento al loro repository GitHub dove è disponibile il codice.
Come implementare Random Forest da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/05%20Random%20Forests
Come implementare Random Forest da zero con Python
Questo video tutorial insegna come implementare Random Forests da zero con Python. Durante l'addestramento, viene selezionato un sottoinsieme casuale del set di dati e viene creato un albero decisionale con questo sottoinsieme. Questo processo viene ripetuto per il numero di alberi determinato prima di iniziare l'algoritmo. Durante l'inferenza, la previsione viene ottenuta da ogni albero e, se si tratta di classificazione, viene preso il voto di maggioranza dell'etichetta di classe. Il relatore dimostra come implementarlo creando un elenco che distribuisce gli alberi decisionali in esso e lo aggiunge a un array Numpy. L'accuratezza può essere calcolata utilizzando il numero di valori veri previsti correttamente diviso per il numero totale di valori veri. L'oratore parla anche del numero di alberi, della profondità massima e della suddivisione minima del campione che possono essere modificati per ottenere una maggiore precisione.
Come implementare Naive Bayes da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/06%20NaiveBayes
Come implementare Naive Bayes da zero con Python
Questo tutorial video si concentra sull'implementazione di Naive Bayes da zero utilizzando Python. Il docente fornisce una panoramica del teorema di Bayes e dell'assunzione di indipendenza. Spiegano come calcolare la probabilità a priori e la probabilità condizionale di classe, necessarie per addestrare l'algoritmo. Il relatore introduce anche la distribuzione gaussiana come un modo per modellare le probabilità. Il video illustra i passaggi di addestramento e previsione per l'algoritmo con il codice. L'istruttore testa l'algoritmo su un set di dati giocattolo con due classi, ottenendo un'accuratezza del 96,5%. Nel complesso, questo tutorial è una risorsa utile per chi è interessato ad apprendere Naive Bayes e ad implementarlo in Python.
Come implementare PCA (Principal Component Analysis) da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/07%20PCA
Come implementare PCA (Principal Component Analysis) da zero con Python
Il video spiega il processo di implementazione di Principal Component Analysis (PCA) da zero utilizzando Python e Numpy. PCA è una tecnica che riduce la dimensionalità di un set di dati conservando la maggior parte delle informazioni. L'istruttore segue i passaggi della creazione di una classe Python con metodi di adattamento e trasformazione per eseguire PCA su un set di dati. Il metodo fit calcola innanzitutto la media e la covarianza dei dati ed estrae gli autovettori e gli autovalori. Il metodo di trasformazione proietta quindi i dati sui componenti principali. Il relatore sottolinea l'importanza della sottrazione delle medie e dell'ordinamento degli autovettori nel processo. Infine, l'implementazione viene testata sul set di dati Iris, con conseguente riduzione della dimensionalità da quattro a due dimensioni.
Come implementare Perceptron da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/08%20Perceptron
Come implementare Perceptron da zero con Python
Il video tutorial spiega la teoria alla base dell'algoritmo Perceptron, che può apprendere solo modelli linearmente separabili per la classificazione binaria utilizzando una funzione di attivazione, pesi e input. Il relatore delinea quindi i passaggi necessari per implementare da zero il modello Perceptron in Python selezionando il tasso di apprendimento e il numero di iterazioni per l'algoritmo di ottimizzazione e definendo la funzione di attivazione come funzione del passo unitario. Dopo aver inizializzato i pesi e le distorsioni, il modello apprende dai dati di addestramento aggiornando i pesi e le distorsioni in base alla regola di aggiornamento di Perceptron. Infine, il relatore valuta l'accuratezza del modello prevedendo le etichette di classe per i dati del test e l'accuratezza risulta essere del 100%, indicando l'apprendimento riuscito del limite decisionale.
Come implementare SVM (Support Vector Machine) da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/09%20SVM
Come implementare SVM (Support Vector Machine) da zero con Python
Le Support Vector Machines (SVM) mirano a trovare un limite decisionale lineare che massimizzi la separazione tra le classi, con il peso che viene appreso durante l'allenamento. La funzione di costo implica una perdita cardine che determina quanto siamo lontani dal lato corretto del confine decisionale, con un termine di regolarizzazione aggiunto al compromesso che minimizza la perdita e massimizza la distanza. I gradienti vengono calcolati, le regole di aggiornamento derivate e i pesi inizializzati, mentre la funzione di previsione è l'output della funzione lineare. Viene fornito il codice per implementare SVM da zero in Python utilizzando le librerie NumPy e Scikit-learn, inclusi il test e la suddivisione del treno di importazione, i set di dati e il tracciato del confine decisionale e dei due iperpiani che confermano l'implementazione accurata.
Come implementare K-Means da zero con Python
Codice: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/10%20KMeans
Come implementare K-Means da zero con Python
Questo video mostra come implementare da zero l'algoritmo di clustering K-Means con Python. K-Means è un algoritmo di apprendimento non supervisionato per raggruppare i dati senza etichetta in k diversi cluster aggiornando le medie o i centroidi in modo iterativo fino a quando non ci sono ulteriori modifiche. Il video illustra l'inizializzazione dei cluster vuoti e l'impostazione dei parametri per il numero di cluster e iterazioni, l'aggiornamento delle etichette e dei centroidi dei cluster e l'interruzione del ciclo di ottimizzazione una volta che non ci sono modifiche. Il relatore spiega anche l'importanza di misurare la distanza euclidea per calcolare i centroidi più vicini e fornisce una funzione di tracciamento pre-scritta da Matplotlib per visualizzare il processo di clustering.
Introduzione all'API OpenAI ChatGPT (GPT-3.5) in Python | Tutorial per principianti
Introduzione all'API OpenAI ChatGPT (GPT-3.5) in Python | Tutorial per principianti
Il video tutorial spiega come utilizzare l'API OpenAI ChatGPT (GPT-3.5) in Python per principianti. Il presentatore introduce il modello GPT 3.5 Turbo come alternativa più economica a DaVinci, che è un modello di composizione in grado di generare sia linguaggio naturale che codice e non ha token o limiti totali. Il tutorial mostra quindi come registrarsi per un account OpenAI, ottenere una chiave API e utilizzare la funzione chat_gpt-completion per mantenere un registro delle conversazioni con gli input dell'utente e del sistema. Il video spiega anche come recuperare le risposte, aggiungere domande di follow-up e modificare il codice per mantenere la conversazione ininterrotta.
Iniziare con OpenAI GPT-4 API (ChatGPT Official API) in Python
Iniziare con OpenAI GPT-4 API (ChatGPT Official API) in Python
Il video illustra come utilizzare l'API OpenAI GPT-4 in Python utilizzando l'API ufficiale ChatGPT. Dopo aver generato una chiave API e aver installato il pacchetto OpenAI python, l'utente può utilizzare il modello GPT-4 creando una funzione e chiamando l'endpoint di OpenAI con l'ID del modello e i registri delle conversazioni. Il relatore mostra come aggiungere i registri delle conversazioni all'argomento del registro di composizione, creare uno strumento da riga di comando e utilizzare l'API ChatGPT per generare risposte. Gli spettatori sono incoraggiati a provare l'API e a iscriversi al canale per i video futuri.