Inizia la prova gratuita
Tendenze Novità Generi Autori
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Ricerca in corso...
SoBrief
Introduzione al machine learning con Python

Introduzione al machine learning con Python

Titolo tradotto
Titolo originale: Introduction to Machine Learning with Python
Crea modelli di apprendimento automatico capaci di superare valutazioni rigorose, dai dati grezzi alla messa in produzione.
di Andreas C. Müller 2015 400 pagine
4.33
500+ valutazioni
Ascolta
Immersivi
V2.3
Amazon Kindle Audible
Prova l'accesso completo per 3 giorni
Sblocca l'ascolto e molto altro!
Continua

Punti chiave

Partire dalla domanda e dai dati, non dal catalogo degli algoritmi

Definite prima il compito. L’apprendimento automatico individua schemi negli esempi per fare previsioni, ma un algoritmo non può rimediare a una domanda mal formulata o alla mancanza di informazioni. Prima di addestrare un modello, chiedetevi quale risultato conta, se i dati disponibili possono rivelarlo e come verrà misurato il successo. Il solo cognome di un paziente, per esempio, non offre una base affidabile per prevederne il genere; aggiungere informazioni pertinenti cambia ciò che il modello può imparare.

Considerate il modello come una fase del processo. Il flusso di lavoro pratico del libro passa dalla comprensione e rappresentazione dei dati all’addestramento, alla valutazione e all’uso di un modello. L’esempio dell’Iris lo rende concreto: quattro misure dei fiori vengono usate per prevedere una delle tre specie note. Il modello è utile solo perché le caratteristiche sono pertinenti alla domanda.

Analisi

È notevole quanto questa impostazione ricordi una buona pratica di misurazione scientifica: lo strumento conta, ma è la domanda a determinare che cosa costituisca una prova. Un obiettivo di previsione non è automaticamente un risultato significativo. Per esempio, un modello può prevedere con grande precisione una variabile indiretta senza migliorare la decisione che ha motivato il progetto. Definire il problema è quindi un compito tecnico, non una premessa introduttiva. Questo approccio ha anche un limite: alcune utili attività esplorative iniziano senza un obiettivo ben definito. In tal caso, i risultati andrebbero considerati piste da approfondire, non risposte già convalidate.

Tenere da parte esempi mai visti per verificare che il modello abbia imparato, anziché memorizzato

Verificate la capacità di generalizzare, non di ricordare. Un modello può memorizzare gli esempi di addestramento e ottenere su di essi un punteggio perfetto, ma fallire sui nuovi casi. Generalizzare significa ottenere buoni risultati su dati mai visti prima, provenienti dallo stesso tipo di problema. Nella dimostrazione con Iris, 150 fiori etichettati vengono suddivisi in 112 esempi di addestramento e 38 esempi di test. Un classificatore a un vicino più prossimo raggiunge circa il 97 per cento di accuratezza sui fiori tenuti da parte.

Tenete separato il test set. Il test set stima le prestazioni future solo se non è stato usato per addestrare il modello o sceglierne i parametri. Mescolare casualmente i record di Iris è importante perché sono ordinati per specie: senza mescolarli, prendere l’ultimo quarto produrrebbe un test set composto da una sola specie. Un punteggio elevato su un test set piccolo è incoraggiante, ma non costituisce una garanzia.

Analisi

La separazione tra apprendimento e verifica è l’equivalente, nell’apprendimento automatico, del mantenere una misurazione indipendente dall’ipotesi che valuta. Per costruzione, impedisce di compiacersi dei propri risultati. La stessa logica si ritrova nella replicazione scientifica: un risultato è più credibile quando regge di fronte a prove che non sono state usate per ottenerlo. Tuttavia, una suddivisione casuale è informativa solo se i dati assomigliano ai casi futuri. Dati ordinati nel tempo o raggruppati per paziente o località possono richiedere suddivisioni diverse. La progettazione della valutazione fa quindi parte dell’affermazione che si sta formulando, e non è soltanto un passaggio di programmazione comodo.

Lasciare che sia la varietà dei dati, non l’accuratezza di addestramento, a giustificare la complessità del modello

Diffidate di una regola perfetta. In un esempio inventato sull’acquisto di barche, un principiante costruisce una regola complessa che spiega correttamente tutti i 12 record dei clienti. Una clausola dipende da un solo cliente, quindi la precisione apparente potrebbe essere frutto del caso. Una regola più semplice, come prevedere l’interesse basandosi solo sull’età, può adattarsi meno esattamente a quei record, ma risultare più plausibile per i nuovi clienti. Il sovradattamento si verifica quando un modello cattura le peculiarità dei dati di addestramento invece di schemi affidabili. Il sottoadattamento è il problema opposto: il modello è troppo semplice per cogliere una struttura significativa.

Adeguate la complessità alle prove disponibili. Esempi più vari possono giustificare modelli più ricchi; copie ripetute o casi quasi identici aggiungono ben poco. L’obiettivo non è massimizzare le prestazioni sui dati di addestramento, ma trovare un modello che mantenga buone prestazioni sul test set. La complessità è utile quando i dati contengono informazioni sufficienti a giustificarla.

Analisi

È un’espressione pratica del compromesso tra bias e varianza: i modelli troppo semplici non colgono la struttura, mentre quelli troppo flessibili reagiscono al rumore. L’esempio delle barche mostra anche perché un modello che, a posteriori, sembra spiegabile possa comunque non convincere: una regola può apparire coerente pur poggiando su una coincidenza fragile. Più dati aiutano solo quando rappresentano una variazione significativa. Nei settori in cui contano gli eventi rari, raccogliere più esempi ordinari può non ridurre l’incertezza sui casi che determinano i costi reali.

Progettare caratteristiche che rivelino la struttura che il modello non può dedurre

Rappresentate correttamente il significato. L’ingegneria delle caratteristiche consiste nel modellare o creare dati in ingresso affinché esprimano informazioni utilizzabili da un modello. Un valore categorico come la professione non è una quantità con un ordine numerico naturale. La codifica one-hot rappresenta ogni categoria con un proprio indicatore pari a zero o uno, invece di fingere che i codici delle categorie siano misurazioni.

Aggiungete una struttura utile. Sui dati dei noleggi di Citi Bike, una foresta casuale che usava soltanto una marca temporale ha ottenuto un punteggio di circa -0,04 sulle date future, perché i modelli ad albero non possono estrapolare oltre i valori temporali osservati. Aggiungere l’ora del giorno ha portato il punteggio a 0,60; aggiungere sia l’ora sia il giorno della settimana lo ha portato a 0,84. In questo modo il modello ha potuto apprendere schemi ricorrenti. Nei modelli lineari, le interazioni e le caratteristiche polinomiali possono esprimere relazioni che una formula lineare non è in grado di rappresentare.

Analisi

La progettazione delle caratteristiche è il punto d’incontro tra conoscenza del dominio e apprendimento statistico. L’esempio delle biciclette è particolarmente utile perché il problema non si risolve cercando più a fondo un algoritmo migliore: la rappresentazione dei dati in ingresso nasconde il ciclo giornaliero e settimanale. È come scegliere le coordinate in fisica: la rappresentazione giusta può rendere visibile uno schema. Occorre però ricordare che anche le caratteristiche costruite a mano incorporano delle ipotesi. Uno schema relativo ai giorni della settimana appreso a partire da un solo mese potrebbe non valere durante le festività o in occasione di eventi insoliti; la conoscenza del dominio dovrebbe quindi orientare le verifiche, non sostituirle.

Includere ogni fase di preelaborazione appresa nella convalida incrociata

Impedite la fuga di informazioni. Si verifica una fuga di informazioni quando una fase dello sviluppo del modello usa informazioni provenienti da esempi che dovrebbero essere tenuti da parte per la valutazione. La normalizzazione, la selezione delle caratteristiche e la riduzione della dimensionalità possono tutte apprendere dai dati, quindi vanno adattate solo su ciascun fold di addestramento. Una Pipeline di scikit-learn concatena trasformazioni e un modello predittivo, in modo che ogni fase venga riadattata correttamente durante la convalida.

Anche dati casuali possono sembrare predittivi. Il libro lo dimostra con 100 campioni e 10.000 caratteristiche casuali, create intenzionalmente senza alcuna relazione reale con l’obiettivo. La selezione delle caratteristiche eseguita prima della convalida incrociata ha prodotto un valore R quadrato apparentemente notevole, pari a 0,91. Inserendo la selezione delle caratteristiche in una pipeline si è ottenuto -0,25, rivelando correttamente l’assenza di segnale. Il primo risultato non era una scoperta: era una contaminazione della valutazione.

Analisi

È una delle dimostrazioni più incisive del libro, perché trasforma un’avvertenza procedurale astratta in un risultato falso ma convincente. La lezione si collega al più ampio problema statistico dei confronti multipli: quando si esplora un numero sufficiente di candidati casuali, alcuni sembreranno predittivi in misura eccezionale per puro caso. Una pipeline rende esplicito e ripetibile il confine tra addestramento e valutazione. Non può, tuttavia, correggere ogni fonte di fuga di informazioni. Le etichette potrebbero già codificare informazioni future, oppure record duplicati potrebbero finire in fold diversi. Una convalida affidabile richiede comunque di capire come sono stati generati i dati.

Valutare gli errori in base al loro costo reale, non solo all’accuratezza

L’accuratezza può far sembrare buono un modello scadente. In un compito di riconoscimento delle cifre in cui l’obiettivo è rilevare il numero nove, circa il 90 per cento degli esempi non è costituito da nove. Un classificatore che predice sempre «non nove» raggiunge quindi circa il 90 per cento di accuratezza, pur non trovando nessun nove. Una matrice di confusione lo rivela distinguendo i veri positivi e i veri negativi dai falsi allarmi e dai casi mancati.

Scegliete consapevolmente il compromesso. La precisione misura quanti dei positivi previsti sono corretti; il richiamo misura quanti dei positivi effettivi vengono individuati. L’F-score combina i due valori, mentre l’AUC ROC misura quanto bene un modello classifica gli esempi positivi al di sopra di quelli negativi al variare delle soglie. Nello screening oncologico, mancare un caso effettivo può essere peggio che inviare una persona sana a ulteriori esami. La metrica e la soglia decisionale dovrebbero riflettere queste conseguenze.

Analisi

Il passaggio fondamentale consiste nel non considerare più tutti gli errori equivalenti e nel trattare invece la valutazione come un problema decisionale. È un collegamento con la teoria delle decisioni: la soglia migliore dipende non solo dalla qualità predittiva, ma anche dal costo dei falsi allarmi e dei casi mancati. L’AUC può aiutare a confrontare la capacità di ordinamento dei modelli al variare delle soglie, soprattutto con classi sbilanciate, ma da sola non sceglie una soglia operativa utile. Né una singola metrica riassuntiva rispecchia le priorità di tutte le parti interessate. Affiancare la matrice di confusione a una metrica permette di mantenere visibile il compromesso pratico.

Scegliere i modelli in base a ipotesi, scala e interpretabilità, non alla moda

I modelli hanno caratteristiche diverse. Un modello basato sul vicino più prossimo è intuitivo e utile come riferimento con pochi dati, ma le previsioni possono rallentare man mano che il set di dati cresce. I modelli lineari sono veloci e spesso adatti ai dati ad alta dimensionalità, mentre gli alberi decisionali sono facili da visualizzare e non richiedono la normalizzazione delle caratteristiche. Un singolo albero può andare incontro a sovradattamento; le foreste casuali calcolano la media di molti alberi diversi, mentre il boosting del gradiente aggiunge alberi in sequenza per correggere gli errori precedenti.

Tenete conto delle esigenze di preelaborazione. Le macchine a vettori di supporto con kernel possono tracciare confini complessi, ma sono sensibili alla scala delle caratteristiche. Sul set di dati sul cancro, un SVM non normalizzato ha ottenuto 0,63 sul test set; dopo la normalizzazione, il punteggio è salito a circa 0,95, e la regolazione dei parametri lo ha aumentato ulteriormente. Nessun modello è sempre il migliore. Partite da un semplice riferimento, poi confrontate i candidati con una procedura di valutazione adeguata.

Analisi

La rassegna degli algoritmi proposta dal libro è più utile come mappa delle ipotesi induttive che come classifica. I punti di forza e di debolezza di un modello dipendono da ciò che è in grado di rappresentare: gli alberi suddividono lo spazio delle caratteristiche, mentre i modelli lineari impongono un confine più semplice, a meno che le caratteristiche non vengano ampliate. Questo punto di vista favorisce una sperimentazione disciplinata invece di una scelta dettata dal prestigio. Anche l’interpretabilità ha diverse dimensioni: un piccolo albero può essere leggibile, ma le sue regole possono essere instabili; un punteggio d’importanza delle caratteristiche può riassumere una foresta senza spiegare una singola previsione. La scelta giusta dipende dalla decisione e dai suoi vincoli.

Considerare i cluster come ipotesi esplorative, non come verità di fatto scoperte

I risultati non supervisionati richiedono interpretazione. Il clustering raggruppa dati in ingresso simili senza etichette note, quindi non esiste una soluzione corretta automatica. K-means è veloce, ma privilegia gruppi compatti e all’incirca sferici e richiede all’utente di scegliere il numero di cluster. DBSCAN raggruppa le zone dense, può identificare il rumore e può individuare forme curve come due semilune intrecciate.

Un punteggio non equivale a un significato. Il libro mostra che il coefficiente silhouette può favorire K-means sui dati delle semilune, anche quando DBSCAN individua il raggruppamento più intuitivo. Misure come l’indice di Rand corretto possono confrontare i cluster con etichette note, ma nella reale esplorazione dei dati spesso non si dispone di questa verità di riferimento. È essenziale esaminare i gruppi ottenuti. Un cluster di volti potrebbe riflettere l’angolazione della fotocamera o l’illuminazione, anziché le categorie d’identità che il ricercatore sperava di trovare.

Analisi

La distinzione tra coerenza geometrica e utilità semantica è fondamentale. Un algoritmo può suddividere i dati in modo coerente pur rispondendo alla domanda sbagliata, proprio come una mappa può raggruppare luoghi in base alla distanza ignorando i confini politici o culturali. È quindi meglio considerare l’apprendimento non supervisionato come un modo per formulare ipotesi, affidando all’esame umano e alle verifiche di dominio il compito di attribuire significato. Anche l’ispezione manuale, però, non è infallibile: le persone possono scorgere schemi che non sono stabili o pertinenti. La robustezza su campioni e contesti diversi può rafforzare un risultato, ma non può stabilire che cosa significhi un cluster.

Contare le parole è utile, ma l’ordine può capovolgere il significato

Trasformate il linguaggio in caratteristiche. Un modello a sacco di parole (bag-of-words) conta la frequenza di ciascun token in un documento, creando una rappresentazione numerica sparsa utilizzabile dai classificatori standard. Su 25.000 recensioni IMDb positive e 25.000 negative, i conteggi delle parole abbinati alla regressione logistica hanno raggiunto circa l’88 per cento di accuratezza sul test set. La frequenza del termine inversa alla frequenza dei documenti, o TF-IDF, attribuisce un peso maggiore alle parole frequenti in una recensione ma rare nell’intera raccolta.

Recuperate un po’ di contesto. Un modello a sacco di parole considera «buono, non male» e «male, non buono» in modo simile, perché l’ordine viene ignorato. Gli n-grammi aggiungono sequenze di parole adiacenti, come «non vale», per conservare una parte del contesto. Provare unigrammi, bigrammi e trigrammi ha portato l’accuratezza media della convalida incrociata a circa il 91 per cento. Un maggior numero di caratteristiche può essere utile, ma le frasi rare possono anche favorire il sovradattamento.

Analisi

Questo esempio coglie un compromesso duraturo nella rappresentazione: semplificare il linguaggio lo rende trattabile dal punto di vista computazionale, ma comporta la perdita di sintassi, tono e contesto. Gli n-grammi recuperano un po’ dell’ordine locale, senza risolvere il problema più profondo del significato. Un’espressione come «non male» può essere un elogio tiepido, mentre il sarcasmo può capovolgere del tutto il significato letterale delle parole. L’analisi dei coefficienti proposta dal libro è una salvaguardia utile, perché consente a chi lavora con i modelli di vedere quali termini orientano le previsioni. Tuttavia, un elenco delle parole più influenti spiega le associazioni presenti in questo set di dati, non le cause dell’opinione di un recensore.

Dimostrare il valore nel sistema reale, affidando alle persone i casi difficili

I punteggi ottenuti offline sono solo l’inizio. Un test set stima le prestazioni predittive, ma un modello messo in produzione può cambiare il comportamento degli utenti e trovarsi di fronte a casi assenti dai dati di sviluppo. I test A/B confrontano due versioni su gruppi diversi di utenti e misurano risultati importanti per il servizio. In questo modo si verifica se il modello migliora il sistema reale, non soltanto un benchmark.

Mantenete un percorso di intervento umano. Alcune decisioni devono essere immediate e vanno automatizzate; altri casi, incerti o complessi, possono essere sottoposti a una persona. Anche un’automazione parziale può ridurre ritardi o costi. La produzione alza inoltre l’asticella tecnica: affidabilità, tempi di esecuzione, uso della memoria e manutenibilità contano quanto l’accuratezza. Una catena di fasi di preelaborazione e previsione non dovrebbe essere più complessa di quanto l’applicazione richieda.

Analisi

Il passaggio dalla valutazione offline alla sperimentazione sul campo riconosce che i modelli sono interventi, non osservatori passivi. I suggerimenti possono influenzare ciò su cui le persone fanno clic, e quei clic possono a loro volta determinare i dati di addestramento futuri. Si creano così cicli di retroazione che un test set statico non può rivelare. I test A/B forniscono prove sugli effetti a livello di sistema, ma richiedono garanzie per evitare esperienze utente diseguali e metriche di breve periodo fuorvianti. La revisione umana può gestire i casi limite, ma solo se chi la svolge ha autorità, indicazioni chiare e un carico di lavoro sostenibile. La qualità della messa in produzione è insieme statistica e organizzativa.

Analisi

Questo libro si comprende meglio come una guida pratica all’intero flusso di lavoro predittivo, non semplicemente come un catalogo di algoritmi. La sua tesi centrale è che l’utilità dell’apprendimento automatico dipende dalla corrispondenza tra una domanda, una rappresentazione dei dati, un modello e un metodo di valutazione. Gli esempi rendono concreto questo punto: quattro misure dei fiori consentono di classificare le specie, i valori delle marche temporali nascondono i cicli dei noleggi di biciclette e una selezione indiscriminata delle caratteristiche può far apparire predittivi dati casuali.

Il contributo più importante del libro è l’insistenza sulla correttezza procedurale. La separazione tra addestramento e test, la convalida incrociata, le metriche appropriate e le pipeline vengono presentate come garanzie contro conclusioni allettanti ma false. Queste pratiche sono più durature di qualsiasi stimatore o interfaccia software specifici. Il libro chiarisce inoltre che la scelta di un modello è un esercizio basato su ipotesi: gli alberi gestiscono scale diverse, ma non estrapolano, mentre gli SVM possono modellare confini complessi, ma richiedono un’attenta normalizzazione.

Una distinzione critica utile è quella tra previsione e spiegazione. Gli esempi mostrano come esaminare coefficienti, importanze delle caratteristiche e cluster, ma nessuno di questi elementi dimostra automaticamente relazioni causali. Una parola associata a recensioni negative non è necessariamente la causa dell’insoddisfazione; una caratteristica usata da un classificatore può fungere da indicatore indiretto di un altro segnale correlato. Allo stesso modo, un buon punteggio su dati tenuti da parte è significativo solo se i dati futuri assomigliano ai casi di test. I cambiamenti nella popolazione, nelle pratiche di raccolta o negli incentivi possono indebolire questa ipotesi.

Gli esempi e le API dei pacchetti del libro, risalenti all’epoca del 2016, appartengono al loro contesto storico, mentre il ragionamento fondamentale resta applicabile. Oggi chi lavora nel settore deve prestare esplicitamente attenzione anche a equità, privacy, calibrazione e monitoraggio in presenza di dati mutevoli: aspetti qui affrontati solo in parte. L’abitudine più preziosa da conservare non è quindi la fedeltà a una famiglia di modelli, bensì l’adozione di un ciclo ripetibile: definire la decisione, esaminare le prove, costruire una rappresentazione difendibile, convalidare senza fughe di informazioni e verificare se il sistema è davvero utile nella pratica.

Riassunto in 30 secondi
Un modello è utile solo quando dati, caratteristiche e valutazione sono adeguati alla domanda. Tieni da parte esempi non visti e mantieni la preelaborazione all’interno della convalida incrociata: selezionare prima 10.000 caratteristiche casuali può produrre un R quadrato ingannevole pari a 0,91. Progetta caratteristiche informative, scegli metriche che riflettano il costo degli errori e confronta i modelli in base alle loro ipotesi. Esamina i cluster con cautela, valuta le prestazioni in produzione e indirizza i casi incerti alle persone.
Contiene spoiler

Ultimo aggiornamento:

Segnala un problema

Sintesi delle recensioni

4.33 su 5
Media di 500+ valutazioni da Goodreads e Amazon.

Introduction to Machine Learning with Python è vivamente consigliato a chi si avvicina all’apprendimento automatico, grazie al suo approccio pratico con scikit-learn. I lettori apprezzano le spiegazioni chiare degli algoritmi, l’attenzione agli esempi di codice e gli approfondimenti sulla regolazione dei parametri. Il libro è lodato per la sua accessibilità: evita la matematica complessa e offre al tempo stesso solide basi. Tra le critiche si citano il ricorso a una libreria personalizzata per gli esempi e la scarsa profondità di alcuni argomenti. Nel complesso, è considerato un ottimo punto di partenza per chi possiede conoscenze di base di Python e vuole esplorare i concetti dell’apprendimento automatico.

La tua valutazione:
4.61
192 valutazioni
Vuoi leggere il libro completo?

Glossario

apprendimento supervisionato

Apprendere da esempi etichettati

Un contesto di apprendimento automatico in cui gli esempi includono sia le caratteristiche di input sia gli output desiderati noti. L’algoritmo apprende una relazione da queste coppie input-output, poi la usa per prevedere gli output di nuovi esempi. La classificazione prevede etichette discrete, come le specie di fiori, mentre la regressione prevede valori continui, come un prezzo.

sovradattamento

Scambiare il rumore per un segnale

Un modello è soggetto a sovradattamento quando apprende così da vicino le peculiarità degli esempi di addestramento che le sue prestazioni non si trasferiscono ai nuovi dati. Può raggiungere un’accuratezza eccellente sui dati di addestramento e fare previsioni meno efficaci su un insieme di test. Limitare la complessità del modello, raccogliere esempi più vari e valutare su dati non visti aiuta a rilevare o contenere il sovradattamento.

ingegneria delle caratteristiche

Progettare input utili per il modello

Il processo di rappresentazione dei dati esistenti in forme che aiutano un modello di apprendimento automatico a individuare i pattern rilevanti. Può includere la codifica delle categorie, la normalizzazione delle misure, l’aggiunta di interazioni o termini polinomiali e l’integrazione delle conoscenze del dominio. Una rappresentazione ben scelta può migliorare le prestazioni più che cambiare modello o regolarne i parametri.

codifica one-hot

Codificare le categorie come indicatori

Un metodo per rappresentare una variabile categoriale con caratteristiche binarie separate, una per ogni categoria possibile. Per ciascun esempio, l’indicatore della categoria corrispondente viene impostato su uno e gli altri su zero. In questo modo si evita di trattare le etichette delle categorie come quantità numeriche con un ordine o una distanza artificiale.

convalida incrociata

Valutazione ripetuta su dati esclusi

Una procedura per stimare le prestazioni di un modello dividendo i dati in fold e addestrando ripetutamente il modello su alcuni fold, mentre lo si valuta su un altro. Nella convalida incrociata k-fold, ogni fold viene usato una volta come insieme di valutazione. I punteggi risultanti mostrano le prestazioni su più suddivisioni, sebbene la convalida incrociata valuti un metodo e non produca di per sé il modello finale.

fuga di informazioni

I dati di valutazione influenzano l’addestramento

Si verifica una fuga di informazioni quando i dati riservati alla valutazione influenzano lo sviluppo del modello. Per esempio, selezionare le caratteristiche usando l’intero insieme di dati prima della convalida incrociata consente alle informazioni di ciascun fold di convalida di influire sulla selezione delle caratteristiche. Ciò può produrre punteggi ingannevolmente elevati. Le Pipeline aiutano a prevenire la fuga di informazioni facendo sì che ogni trasformazione venga adattata solo sulla porzione di addestramento di ciascuna suddivisione.

Pipeline

Elaborazione e previsione concatenate

Uno stimatore di scikit-learn che collega trasformazioni e un modello predittivo finale in un unico flusso di lavoro. Durante l’adattamento, ogni trasformazione viene appresa dai dati di addestramento correnti e applicata prima del passaggio successivo. Una Pipeline può essere valutata o ottimizzata con la convalida incrociata, mantenendo la preelaborazione all’interno di ciascuna suddivisione.

modello a sacco di parole (bag-of-words)

Documento rappresentato dai conteggi delle parole

Una rappresentazione testuale che costruisce un vocabolario e registra la frequenza con cui ciascuna parola del vocabolario compare in ogni documento. Consente agli algoritmi standard di apprendimento automatico di elaborare il testo come caratteristiche numeriche, di solito in una matrice sparsa. Poiché ignora l’ordine delle parole, espressioni con significati diversi possono ricevere rappresentazioni simili.

TF-IDF

Assegnare peso alle parole distintive

La frequenza del termine-inverso della frequenza dei documenti è un metodo di ponderazione del testo che dà risalto alle parole che compaiono spesso in un particolare documento ma in relativamente pochi documenti nel complesso. Riduce l’influenza dei termini molto comuni e può rendere più informativo il vocabolario distintivo. La ponderazione si basa sulle proprietà della raccolta di addestramento e dovrebbe essere adattata all’interno delle procedure di convalida.

n-grammi

Sequenze di token adiacenti

Sequenze di token vicini usate come caratteristiche testuali. Un unigramma è un token, un bigramma è composto da due token consecutivi e un trigramma da tre. Includere n-grammi conserva parte dell’ordine locale delle parole che una semplice rappresentazione basata sul conteggio delle parole perde, ma le sequenze più lunghe generano molte più caratteristiche e possono indurre un modello ad adattarsi a espressioni rare.

DBSCAN

Clustering basato sulla densità con rilevamento del rumore

Un algoritmo di clustering che individua vicinati densi di punti e collega i punti centrali vicini in gruppi. I suoi parametri principali definiscono la distanza del vicinato e il numero minimo di esempi vicini necessario perché un punto sia considerato centrale. A differenza di k-means, può individuare gruppi di forma irregolare e classificare i punti isolati come rumore, senza richiedere in anticipo il numero di gruppi.

analisi delle componenti principali (PCA)

Rotazione dei dati basata sulla varianza

Una trasformazione non supervisionata che ruota i dati in direzioni ordinate in base alla quantità di varianza che spiegano. Conservare solo le componenti principali può ridurre la dimensionalità, comprimere i dati o agevolarne la visualizzazione. Ogni componente combina le caratteristiche originali, quindi gli assi risultanti possono essere difficili da interpretare. La PCA non usa le etichette di classe per individuare queste direzioni.

allocazione latente di Dirichlet (Latent Dirichlet Allocation)

Modello probabilistico degli argomenti nei documenti

Un metodo di modellazione degli argomenti che rappresenta i documenti come miscele di argomenti e gli argomenti come distribuzioni di parole. Può individuare gruppi di parole che tendono a presentarsi insieme senza usare le etichette dei documenti. Gli argomenti risultanti possono riflettere generi, sentimenti, autori o altri pattern e, per interpretarli, occorre esaminare sia le parole che li compongono sia i documenti rappresentativi.

FAQ

1. Di cosa parla Introduction to Machine Learning with Python di Andreas C. Müller?

  • Una guida pratica completa: Il libro è un’introduzione accessibile all’apprendimento automatico per professionisti, incentrata su applicazioni reali con Python e la libreria scikit-learn.
  • Copre il flusso di lavoro dall’inizio alla fine: Accompagna i lettori in tutto il processo di apprendimento automatico, dalla preelaborazione dei dati e dall’ingegneria delle caratteristiche alla valutazione e al miglioramento dei modelli.
  • Punta sull’apprendimento pratico: Con esempi di codice ed esercizi pratici, aiuta i lettori a creare, valutare e mettere in produzione modelli di apprendimento automatico usando insiemi di dati reali.
  • Affronta un’ampia gamma di temi: Tra gli argomenti figurano l’apprendimento supervisionato e non supervisionato, l’elaborazione di dati testuali, le pipeline e la regolazione avanzata dei modelli.

2. Perché dovrei leggere Introduction to Machine Learning with Python di Andreas C. Müller?

  • Approccio adatto ai principianti: Il libro evita una teoria matematica impegnativa e rende l’apprendimento automatico accessibile anche a chi non ha solide basi di matematica o statistica.
  • Attenzione alle competenze pratiche: I lettori imparano a usare Python e scikit-learn per risolvere problemi reali, acquisendo competenze direttamente applicabili nell’industria e nella ricerca.
  • Affronta sfide concrete: Il libro tratta problemi comuni come il sovradattamento, i dati sbilanciati e l’importanza delle conoscenze di dominio, preparando i lettori al lavoro pratico nell’apprendimento automatico.
  • Basi solide: Coprendo algoritmi essenziali, flussi di lavoro e buone pratiche, offre una solida base per ulteriori studi o progetti professionali.

3. Quali sono i concetti chiave di Introduction to Machine Learning with Python di Andreas C. Müller?

  • Flusso di lavoro completo nell’apprendimento automatico: Comprendere l’intero processo, dalla raccolta e preelaborazione dei dati alla selezione, valutazione e messa in produzione dei modelli.
  • Importanza della rappresentazione dei dati: Il libro sottolinea come l’ingegneria delle caratteristiche e le trasformazioni appropriate dei dati possano incidere significativamente sulle prestazioni del modello.
  • Valutazione e regolazione dei modelli: Evidenzia la necessità di metriche di valutazione adeguate, della convalida incrociata e della regolazione degli iperparametri per costruire modelli robusti.
  • Risoluzione pratica dei problemi: Incoraggia la sperimentazione iterativa, la definizione chiara degli obiettivi e l’integrazione di modelli automatizzati e competenze umane per ottenere i risultati migliori.

4. Quali sono le citazioni più significative di Introduction to Machine Learning with Python di Andreas C. Müller e cosa significano?

  • «Comincia in modo semplice.» – Il libro consiglia ripetutamente di iniziare con modelli e approcci semplici prima di passare a soluzioni più complesse, sottolineando il valore della semplicità e dell’interpretabilità.
  • «Conosci i tuoi dati e il tuo compito.» – Müller sottolinea l’importanza di comprendere l’insieme di dati e il contesto del problema prima di scegliere algoritmi o metriche di valutazione.
  • «Evita la fuga di informazioni.» – Il libro mette in guardia dall’usare i dati di test durante l’addestramento o la regolazione dei parametri, perché ciò può portare a stime delle prestazioni eccessivamente ottimistiche.
  • «Il miglioramento iterativo è fondamentale.» – L’apprendimento automatico viene presentato come un processo iterativo, in cui modelli e caratteristiche vengono perfezionati continuamente sulla base dei riscontri e della valutazione.

5. Quali sono i principali algoritmi di apprendimento automatico trattati in Introduction to Machine Learning with Python di Andreas C. Müller?

  • Algoritmi di apprendimento supervisionato: Comprendono i k vicini più prossimi, i modelli lineari (regressione logistica, regressione lineare, SVM), gli alberi decisionali, le foreste casuali, il gradient boosting, il Naive Bayes e le reti neurali.
  • Algoritmi di apprendimento non supervisionato: Il libro tratta metodi di clustering come k-means, DBSCAN e il clustering agglomerativo, oltre a tecniche di riduzione della dimensionalità quali PCA, t-SNE e NMF.
  • Metodi di elaborazione del testo: Introduce il modello a sacco di parole, TF-IDF, n-grammi e la modellazione degli argomenti con l’allocazione latente di Dirichlet (LDA).
  • Punti di forza e debolezze degli algoritmi: Ogni metodo è illustrato con consigli pratici su quando e come usarlo, comprese le sue limitazioni e i parametri da regolare.

6. In che modo Introduction to Machine Learning with Python di Andreas C. Müller spiega la rappresentazione dei dati e l’ingegneria delle caratteristiche?

  • Tipi di caratteristiche: Distingue tra caratteristiche continue, categoriali e testuali e spiega come rappresentare ciascun tipo per gli algoritmi di apprendimento automatico.
  • Codifica categoriale: Descrive nel dettaglio la codifica one-hot e i rischi di una gestione inadeguata, soprattutto quando si suddividono i dati in insiemi di addestramento e di test.
  • Trasformazioni delle caratteristiche: Tratta la suddivisione in intervalli, le caratteristiche polinomiali, i termini di interazione e le trasformazioni non lineari, illustrandone l’impatto sulle prestazioni del modello.
  • Selezione automatica delle caratteristiche: Presenta metodi come le statistiche univariate, la selezione basata sui modelli e l’eliminazione ricorsiva delle caratteristiche per migliorare la generalizzazione e ridurre la dimensionalità.

7. In che modo Introduction to Machine Learning with Python di Andreas C. Müller guida i lettori nella costruzione del loro primo modello di apprendimento automatico?

  • Esempio passo per passo: Usa l’insieme di dati Iris per introdurre concetti fondamentali come esempi, caratteristiche ed etichette, nonché l’importanza di suddividere i dati in insiemi di addestramento e di test.
  • Introduzione a un algoritmo semplice: Mostra come costruire un classificatore basato sui k vicini più prossimi, adattare il modello, fare previsioni e valutare l’accuratezza.
  • Attenzione alla valutazione: Sottolinea la necessità di valutare la capacità di generalizzazione del modello usando dati di test separati ed esempi di codice pratici.
  • Apprendimento pratico: Incoraggia i lettori a sperimentare con codice e insiemi di dati per consolidare la comprensione.

8. Quali tecniche di valutazione e miglioramento dei modelli vengono messe in evidenza in Introduction to Machine Learning with Python di Andreas C. Müller?

  • Metodi di convalida incrociata: Introduce la convalida incrociata k-fold, stratificata k-fold, leave-one-out e basata su gruppi per stimare in modo affidabile le prestazioni dei modelli.
  • Ricerca su griglia per la regolazione: Spiega come regolare sistematicamente gli iperparametri tramite la ricerca su griglia combinata con la convalida incrociata, includendo la convalida incrociata annidata per evitare il sovradattamento.
  • Metriche di valutazione: Descrive metriche come accuratezza, precisione, richiamo, punteggio F1 e ROC AUC, e il loro uso appropriato, soprattutto con insiemi di dati sbilanciati.
  • Buone pratiche per la selezione dei modelli: Mostra come usare i parametri di scoring ed evitare il sovradattamento con strategie di convalida adeguate.

9. Come descrive Introduction to Machine Learning with Python di Andreas C. Müller l’uso delle pipeline e delle catene di algoritmi?

  • Introduzione alla classe Pipeline: Spiega come concatenare le fasi di preelaborazione e i modelli in un unico stimatore usando la classe Pipeline di scikit-learn.
  • Regolazione dei parametri nelle pipeline: Mostra come regolare simultaneamente i parametri di tutte le fasi della pipeline con la ricerca su griglia, migliorando l’efficienza del flusso di lavoro.
  • Prevenzione della fuga di informazioni: Sottolinea che, durante la convalida incrociata, i trasformatori devono essere adattati solo sui fold di addestramento per evitare fughe di informazioni.
  • Sperimentazione flessibile: Mostra come confrontare diversi metodi di preelaborazione e modelli all’interno di un’unica pipeline per sviluppare modelli robusti.

10. Quali indicazioni offre Introduction to Machine Learning with Python di Andreas C. Müller per lavorare con i dati testuali?

  • Estrazione di caratteristiche testuali: Introduce il modello a sacco di parole, TF-IDF e gli n-grammi per convertire il testo in caratteristiche numeriche adatte all’apprendimento automatico.
  • Tecniche di preelaborazione: Tratta la tokenizzazione, la stemming, la lemmatizzazione e la rimozione delle stopword per ripulire e normalizzare i dati testuali.
  • Modellazione degli argomenti: Spiega l’allocazione latente di Dirichlet (LDA) per individuare argomenti in grandi raccolte di testi e interpretarne il significato.
  • Esempi pratici: Usa l’analisi del sentiment delle recensioni cinematografiche per illustrare l’intero flusso di lavoro di elaborazione e classificazione dei dati testuali.

11. In che modo Introduction to Machine Learning with Python di Andreas C. Müller affronta sfide come i dati sbilanciati e i tipi di errore nella classificazione?

  • Rischi degli insiemi di dati sbilanciati: Avverte che l’accuratezza può essere fuorviante quando le classi sono sbilanciate, perché classificatori banali possono sembrare efficaci.
  • Definizione dei tipi di errore: Spiega chiaramente i falsi positivi e i falsi negativi e le loro diverse conseguenze nelle applicazioni reali.
  • Metriche di valutazione alternative: Promuove l’uso di precisione, richiamo, punteggio F1, curve ROC e precisione-richiamo e AUC per valutare meglio i classificatori.
  • Consigli sulla regolazione della soglia: Tratta la modifica delle soglie decisionali per bilanciare precisione e richiamo e mette in guardia dal regolarle sui dati di test, per evitare distorsioni.

12. Quali consigli finali e risorse offre Introduction to Machine Learning with Python di Andreas C. Müller a chi aspira a lavorare nell’apprendimento automatico?

  • Approccio guidato dal problema: Incoraggia a definire obiettivi chiari, comprendere l’impatto sul business e perfezionare iterativamente i modelli e la raccolta dei dati.
  • Sistemi con supervisione umana: Suggerisce di combinare previsioni automatizzate e supervisione umana per decisioni complesse o ad alto rischio.
  • Considerazioni sulla produzione: Esamina le differenze tra prototipazione e messa in produzione dei modelli, sottolineando la semplicità, la robustezza e strategie di test come i test A/B.
  • Ulteriori risorse di apprendimento: Consiglia libri avanzati, piattaforme online come Kaggle e OpenML e la pratica costante per approfondire la propria competenza nell’apprendimento automatico.

Sull'autore

Andreas C. Müller è uno scienziato e docente di apprendimento automatico, noto per il suo lavoro nella data science basata su Python. È uno sviluppatore chiave della libreria scikit-learn e ha contribuito in modo significativo alla sua documentazione e ai suoi tutorial. La competenza di Müller consiste nel rendere accessibili i concetti complessi dell’apprendimento automatico a principianti e professionisti di livello intermedio. Il suo percorso comprende ricerche nella visione artificiale e nelle applicazioni dell’apprendimento automatico in ambito medico. Müller ha tenuto corsi di apprendimento automatico alla Columbia University ed è apprezzato per la capacità di colmare il divario tra concetti teorici e applicazione pratica in Python.

Scarica PDF

Per conservare questo riassunto di Introduzione al machine learning con Python e leggerlo in seguito, scarica il PDF gratuito. Puoi stamparlo o leggerlo offline quando vuoi.
Download PDF

Scarica EPUB

Per leggere il riassunto di Introduzione al machine learning con Python sul tuo e-reader o sulla relativa app, scarica l’EPUB gratuito. Il formato digitale .epub è ideale per leggere ebook su telefoni, tablet ed e-reader.
Download EPUB
Vuoi leggere il libro completo?
Segui
Ascolta
Home
Swipe
Libreria
App
Prova l'accesso completo per 3 giorni
Ascolta, salva e molto altro
Confronta le funzionalità Gratuito Pro
📖 Leggi i riassunti
Leggi riassunti illimitati. Gli utenti gratuiti ne ricevono 3 al mese
🎧 Ascolta i riassunti
Ascolta riassunti illimitati in 40 lingue
—
❤️ Segnalibri illimitati
Gli utenti gratuiti sono limitati a 4
—
📜 Cronologia illimitata
Gli utenti gratuiti sono limitati a 4
—
📥 Download illimitati
Gli utenti gratuiti sono limitati a 1
—
Prova senza rischi
Oggi: accesso immediato
Ascolta i riassunti completi di oltre 26.000 libri. Sono più di 12.000 ore di audio!
Giorno 2: promemoria della prova
Ti invieremo una notifica per avvisarti che la prova sta per scadere.
Giorno 3: inizia il tuo abbonamento
L'addebito avverrà il 24 nov,
puoi annullare in qualsiasi momento prima.
Consume 2.8× More Books
2.8× libri in più Ascolto Lettura
I nostri utenti ci adorano
600,000+ lettori
Trustpilot Rating
TrustPilot
4.6 Eccellente
Questo sito è una vera rivoluzione. Ho letto riassunti di libri come mai prima d'ora. Consigliatissimo.
— Dave G
Vale ogni centesimo e ogni minuto, ed è davvero ben fatto. Non ho mai visto riassunti di questa qualità su altri siti. Utilissimo!
— Em
Consigliatissimo!! Servizio fantastico. Perfetto per chi vuole qualcosa in più di un'anteprima ma senza tutti i dettagli di un audiolibro completo.
— Greg M
Risparmia il 62%
Annuale
$119.88 $44.99/anno/anno
$3.75/mese
Mensile
$9.99/mese
Inizia la prova gratuita di 3 giorni
3 giorni gratis, poi $44.99/anno. Cancella quando vuoi.
Unlock a world of fiction & nonfiction books
Oltre 26.000 libri al prezzo di 2
Leggi qualsiasi libro in 10 minuti
Scopri nuovi libri come su Tinder
Richiedi qualsiasi libro se non è ancora disponibile
Leggi più libri di chiunque tu conosca
App n. 1 per gli amanti dei libri
Lifelike & immersive summaries
Garanzia di rimborso entro 30 giorni
Scarica i riassunti in EPUB o PDF
Cancella in qualsiasi momento con pochi clic

Perché un solo riassunto?

Scanner
Trova un codice a barre da scansionare

⭐
⭐
⭐
Abbiamo un regalo speciale per te
Apri
38% di sconto
SCONTO PER TE
⭐
⭐
⭐
$79.99
$49.99/anno
Solo $4.16 al mese
Continua
Bastano 2 tocchi per iniziare, cancellare è facilissimo
Impostazioni
Generali
Widget
Caricamento...