In questo lungo post vi presento il progetto che ho sviluppato per il Data Engineering Nanodegree (DEND) di Udacity. Cosa sviluppare era libera scelta dello sviluppatore posto che alcuni criteri fossero soddisfatti, per esempio lavorare con un database di almeno 3 milioni di records. Questa è il primo notebook del progetto, nel secondo ci sono […]

Una breve panoramica sul teorema di Bayes e la statistica bayesiana. Una teoria affascinante sviluppata 2 secoli e mezzo fa da Thomas Bayes, statistico, matematico, filosofo e ministro della chiesa presbiteriana. Dopo essere rimasta in in secondo piano per molto tempo a causa della difficoltà di calcolare gli integrali, essa è oggi resa attuale dalla potenza dei moderni mezzi di calcolo. Vediamo come usare le teorie di base della statistica bayesiana usando il package PYMC3 per Python 3.x.

Risolviamo un problema di classificazione con un algoritmo di regressione logistica. Costruiamo il modello, facciamo il training e vediamo come possibile migliorare l’accuratezza del risultato con semplici accorgimenti. Il modello è implementato con Pytorch.

In questo articolo voglio implementare una regressione lineare usando Pytorch. Innanzitutto un breve ripasso di cosa una regressione lineare con pi variabili indipendenti. Poi un training dei parametri del modello. Infine una valutazione del fitting e per finire… si ricomincia.

In questo articolo voglio muovere i primi passi in Pytorch. Vedremo come programmare una rete neurale completamente connessa partendo da una base teorica che do per acquisita. Abbiamo bisogno di un set di dati (dataset), un modello di rete neurale, la definizione di una funzione errore, la scelta di un ottimizzatore.
Inizieremo analizzando gli elementi che ci servono per definire una rete neurale semplice, limitandoci a layer lineari e ReLU.
In seguito vedremo come mettere insieme i layer per costruire il modello di una rete.
Alla fine implementeremo una rete e la ottimizzeremo per un problema specifico.