Rete Bibliotecaria della Provincia di Como

Abstract: Elaborare il magma di dati oggi disponibili è una sfida affascinante e imprescindibile per il mondo contemporaneo dove la conoscenza e l'informazione sono il primo valore. Il machine learning è la risposta: grazie ai suoi algoritmi è possibile creare macchine in grado apprendere in maniera automatica e rispondere alle domande chiave per il successo. Questo libro accompagna nel mondo del machine learning e mostra come Python sia il linguaggio di programmazione ideale per costruire algoritmi sofisticati in grado di interrogare i dati nel modo migliore e recuperare preziosi insight. Viene spiegato l'utilizzo di librerie Python dedicate, tra cui scikit-learn, Theano e Keras, applicate in ambiti come la selezione e la compressione dei dati, l'analisi del linguaggio naturale, l'elaborazione di previsioni, il riconoscimento delle immagini. L'approccio didattico è pragmatico: tutti i concetti sono accompagnati da esempi pratici di codice. La lettura è consigliata a chi ha già alle spalle qualche studio teorico nel campo del machine learning oltre a una buona conoscenza di programmazione in Python.

Abstract: Oggi più che mai elaborare il magma di dati disponibili è una sfida affascinante e imprescindibile. Il machine learning, ovvero la capacità di creare macchine in grado di apprendere in modo automatico, permette di affrontarla.Questa nuova edizione del bestseller di Sebastian Raschka, profondamente aggiornata e ampliata, accompagna nel mondo del machine learning e mostra come Python sia il linguaggio di programmazione ideale per interrogare i dati e recuperare preziosi insight. Viene spiegato l'utilizzo di librerie dedicate - tra cui TensorFlow e scikit-learn - applicate in ambiti come la selezione e la compressione dei dati, l'analisi del linguaggio naturale, l'elaborazione di previsioni, il riconoscimento delle immagini, e viene dato spazio a due tecniche di machine learning all'avanguardia: il reinforcement learning e le reti generative avversarie (GAN).L'approccio è pragmatico: tutti i concetti sono accompagnati da esempi di codice e tutorial passo-passo. La lettura è consigliata a chi ha già alle spalle qualche studio teorico nel campo della scienza dei dati e ha maturato un'esperienza di base nella programmazione in Python.

Abstract: La creazione di modelli linguistici di grandi dimensioni (Large Language Model - LLM) rappresenta una delle possibilità più avanzate e affascinanti nell'ambito dell'intelligenza artificiale. Questo manuale spiega in maniera pratica come affrontare la sfida partendo da zero.Il testo affronta ogni fase del processo: dalla pianificazione e codifica delle componenti del modello alla preparazione dei dataset per l'addestramento. Vengono esplorati metodi di pre-training su un corpus generale e di fine-tuning per compiti specifici, come la classificazione di testi. Un approfondimento è poi dedicato all'integrazione di pesi pre-addestrati e all'utilizzo del feedback umano per ottimizzare l'output del modello.Una guida ricca di esempi ed esercizi, per comprendere e implementare i meccanismi alla base dei modelli di intelligenza artificiale generativa più utilizzati e capire come sfruttarne al meglio le potenzialità.

Abstract: Elaborare il magma di dati oggi disponibili è una sfida affascinante e imprescindibile per il mondo contemporaneo dove la conoscenza e l'informazione sono il primo valore. Il machine learning è la risposta: grazie ai suoi algoritmi è possibile creare macchine in grado apprendere in maniera automatica e rispondere alle domande chiave per il successo.Questo libro accompagna nel mondo del machine learning e mostra come Python sia il linguaggio di programmazione ideale per costruire algoritmi sofisticati in grado di interrogare i dati nel modo migliore e recuperare preziosi insight. Viene spiegato l'utilizzo di librerie Python dedicate - tra cui scikit-learn, Theano e Keras - applicate in ambiti come la selezione e la compressione dei dati, l'analisi del linguaggio naturale, l'elaborazione di previsioni, il riconoscimento delle immagini.L'approccio didattico è pragmatico: tutti i concetti sono accompagnati da esempi pratici di codice. La lettura è consigliata a chi ha già alle spalle qualche studio teorico nel campo del machine learning oltre a una buona conoscenza di programmazione in Python.