In questo secondo articolo proseguiamo nella nostra ricerca sugli algoritmi di machine learning affrontando un secondo approccio, quello con gli alberi di classificazione e regressione. Vedremo come un algoritmo “tree-based” usa l’albero e la sua struttura per prendere decisioni.
ML.NET nasce con il preciso obiettivo di ottimizzare i processi di caricamento e analisi di enormi insiemi di dati per l’apprendimento automatico, riducendo alcuni tipici problemi incontrati con Python. In questo articolo, vediamo come lo fa tramite un’interfaccia intelligente cursor-style.
In questo primo articolo della serie su machine learning, affrontiamo anzitutto il tema della regressione lineare, un meta-algoritmo usato sia in statistica che in machine learning con il medesimo scopo: approssimare con una formula i valori disponibili.
Nell’ambito delle attività di machine learning, l’utilizzo del linguaggio Python è estremamente diffuso sia per la sua facilità d’uso che per il gran numero di librerie e algoritmi già pronti all’uso. Ma anche Python ha i suoi inconvenienti, e ML.NET può rappresentare una soluzione capace di superarli.
Nella prima parte di questa serie di articoli su Flink ci siamo dedicati alla descrizione dello Stream Processing in generale e di Apache Flink in particolare, in questa seconda parte ci occuperemo di come in pratica scrivere una applicazione Apache Flink.
Apache Flink è al momento una delle piattaforme di elaborazione dati più potenti e promettenti: si tratta di un framework di stream processing capace di analizzare ed elaborare imponenti volumi di dati in tempo quasi reale. In questo e nel prossimo articolo ne presentiamo concetti di base e caratteristiche.
In questo ultimo articolo della serie presenteremo nel dettaglio un sistema di classificazione automatico di testi per il dominio della posta elettronica: JFilter, un modulo Java che implementa un algoritmo fuzzy di classificazione di documenti (e-mail).
JFilter: un sistema di classificazione automatico di testi per il dominio della posta elettronica che implementa un algoritmo fuzzy di classificazione di e-mail.
In questo articolo analizzeremo il workbench Weka: una avanzata raccolta di algoritmi e tecniche di preprocessamento del machine learning, che prevede il supporto per tutto il processo sperimentativo del data mining. Esamineremo gli ambienti operativi che il framework Weka mette a disposizione e valuteremo un semplice caso di studio.
Utilizziamo i cookie per favorire la migliore esperienza di navigazione sul nostro sito. Continuando a utilizzare questo sito accetti l'uso dei cookie.OKMaggiori informazioni
Dal 1996, architetture, metodologie, sviluppo software