{"id":30936,"date":"2019-10-31T21:38:20","date_gmt":"2019-10-31T18:38:20","guid":{"rendered":"https:\/\/prohoster.info\/blog\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya\/"},"modified":"2019-10-31T21:38:20","modified_gmt":"2019-10-31T18:38:20","slug":"mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","title":{"rendered":"Apprendimento automatico senza Python, Anaconda e altri rettili","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Certo, ovviamente non sto parlando sul serio. Deve pur esserci un limite a quanto si pu\u00f2 semplificare l'argomento. Tuttavia, per le prime fasi, per comprendere i concetti di base e per un rapido \u00abingresso\u00bb nel tema, potrebbe essere accettabile. Discuteremo alla fine come denominare correttamente questo materiale (opzioni: \u00abApprendimento automatico per principianti\u00bb, \u00abAnalisi dei dati per neofiti\u00bb, \u00abAlgoritmi per i pi\u00f9 piccoli\u00bb). <\/p>\n

Passiamo al concreto. Ho scritto alcuni programmi applicativi su MS Excel per visualizzare e presentare in maniera chiara i processi che avvengono nei diversi metodi di apprendimento automatico durante l'analisi dei dati. Si dice che \"vedere \u00e8 credere\", dopo tutto, come dicono i rappresentanti di quella cultura che ha sviluppato la maggior parte di questi metodi (tra l'altro, non tutti. Il potente \"metodo dei vettori di supporto\", o SVM, support vector machine, \u00e8 l'invenzione del nostro compatriota Vladimir Vapnik, del Moscow Institute of Management, nel 1963! Ora, per\u00f2, insegna e lavora negli Stati Uniti).<\/p>\n

Tre file da esaminare
\n<\/a><\/noindex><\/p>\n

1. Clustering con il metodo k-means<\/h2>\n

\nI compiti di questo tipo rientrano nell'\"apprendimento non supervisionato\", quando dobbiamo suddividere i dati di partenza in un certo numero di categorie gi\u00e0 note, ma non abbiamo alcun numero di \"risposte corrette\", che dobbiamo estrarre dai dati stessi. Una task classica fondamentale \u00e8 la scoperta delle sottospecie dei fiori di iris (Ronald Fisher, 1936!), che \u00e8 considerata il primo passo in questo campo del sapere.<\/p>\n

Il metodo \u00e8 abbastanza semplice. Abbiamo un insieme di oggetti rappresentati come vettori (insiemi di N numeri). Per gli iris, si tratta di insiemi di 4 numeri che caratterizzano il fiore: lunghezza e larghezza delle parti esterne e interne del perianzio, rispettivamente (Iris di Fisher - Wikipedia<\/a><\/noindex>). Come distanza, o misura di vicinanza tra oggetti, viene utilizzata la consueta metrica euclidea.<\/p>\n

Successivamente, i centri dei cluster vengono selezionati in modo arbitrario (o non arbitrario, come vedremo dopo), e viene calcolata la distanza da ciascun oggetto ai centri dei cluster. Ogni oggetto in questo passo dell'iterazione viene etichettato come appartenente al centro pi\u00f9 vicino. Successivamente, il centro di ciascun cluster viene spostato nella media aritmetica delle coordinate dei suoi membri (analogamente alla fisica, viene chiamato anche \"centro di massa\"), e la procedura viene ripetuta.<\/p>\n

Il processo converge abbastanza rapidamente. Nelle immagini in due dimensioni appare cos\u00ec:<\/p>\n

1. Distribuzione iniziale casuale dei punti nel piano e numero di cluster<\/p>\n

\"Apprendimento
\n
\n2. Assegnazione dei centri dei cluster e attribuzione dei punti ai propri cluster<\/p>\n

\"Apprendimento
\n
\n3. Spostamento delle coordinate dei centri dei cluster, ricalcolo dell'appartenenza dei punti, fino a stabilizzarsi. Si vede la traiettoria del movimento del centro del cluster verso la posizione finale.<\/p>\n

\"Apprendimento
\n
\nIn qualsiasi momento \u00e8 possibile impostare nuovi centri per i cluster (senza generare una nuova distribuzione dei punti!) e osservare che il processo di divisione non \u00e8 sempre univoco. Matem\u00e1ticamente, ci\u00f2 significa che nella funzione ottimizzata (la somma dei quadrati delle distanze dai punti ai centri dei propri cluster) troviamo un minimo locale, non globale. Si pu\u00f2 affrontare questo problema scegliendo i centri iniziali dei cluster non in modo casuale o provando vari possibili centri (a volte \u00e8 vantaggioso posizionarli esattamente in uno dei punti, garantendo che non si ottengano cluster vuoti). In ogni caso, un insieme finito ha sempre un limite inferiore preciso. <\/p>\n

Puoi provare a giocare con questo file a questo link<\/a><\/noindex> (non dimenticare di abilitare il supporto per le macro. I file sono stati controllati per virus)<\/p>\n

Descrizione del metodo su Wikipedia - Metodo k-means<\/a><\/noindex><\/p>\n

2. Approssimazione con polinomi e suddivisione dei dati. Overfitting<\/h2>\n

\nIl rinomato scienziato e divulgatore della scienza dei dati K.V. Vorontsov parla brevemente dei metodi di apprendimento automatico come \"la scienza di tracciare curve attraverso i punti\". In questo esempio cercheremo di scoprire schemi nei dati usando il metodo dei minimi quadrati. <\/p>\n

Viene mostrata la tecnica di suddivisione dei dati di partenza in 'dati di addestramento' e 'dati di test', cos\u00ec come il fenomeno noto come overfitting, o 'sottoregolazione' dei dati. Con un'adeguata approssimazione, avremo un certo errore sui dati di addestramento e un errore di misura maggiore sui dati di test. Con un'approssimazione inadeguata, avremo una corrispondenza esatta con i dati di addestramento e un errore enorme sui dati di test.<\/p>\n

(\u00c8 un fatto noto che attraverso N punti si pu\u00f2 tracciare una sola curva di grado N-1, e questo metodo in generale non produce il risultato desiderato. Polinomio di interpolazione di Lagrange su Wikipedia<\/a><\/noindex>)<\/p>\n

1. Impostiamo la distribuzione iniziale<\/p>\n

\"Apprendimento
\n
\n2. Dividiamo i punti in \"dati di addestramento\" e \"dati di test\" in un rapporto di 70 a 30.<\/p>\n

\"Apprendimento
\n
\n3. Tracciamo una curva approssimativa attraverso i punti di addestramento, osserviamo l'errore che essa produce sui dati di test.<\/p>\n

\"Apprendimento
\n
\n4. Tracciamo una curva esatta attraverso i punti di addestramento e vediamo un errore enorme sui dati di test (e nullo sui dati di addestramento, ma che vantaggio ha?).<\/p>\n

\"Apprendimento
\n
\nQui viene mostrata una versione semplificata con una sola suddivisione in sottogruppi di \u00abaddestramento\u00bb e \u00abtest\u00bb, ma in generale questo viene fatto pi\u00f9 volte per una migliore calibrazione dei coefficienti.<\/p>\n

Il file \u00e8 disponibile qui, verificato con antivirus.<\/a><\/noindex> Abilita le macro per un corretto funzionamento.<\/p>\n

3. Discesa del gradiente e dinamica dell'errore.<\/h2>\n

\nQui si parler\u00e0 di un caso a 4 dimensioni e regressione lineare. I coefficienti della regressione lineare saranno determinati passo dopo passo utilizzando il metodo della discesa del gradiente, inizialmente tutti i coefficienti sono zero. In un grafico separato si pu\u00f2 vedere come l'errore diminuisce man mano che i coefficienti vengono affinati. \u00c8 possibile visualizzare le quattro proiezioni 2D.<\/p>\n

Se si imposta un passo di discesa del gradiente troppo grande, si pu\u00f2 osservare che di volta in volta saltiamo il minimo e raggiungiamo il risultato in un numero maggiore di passi, anche se, alla fine, ci arriveremo (a meno che non si aumenti troppo il passo di discesa \u2014 in quel caso l'algoritmo andr\u00e0 \u00abfuori controllo\u00bb). E il grafico della dipendenza dell'errore dal passo di iterazione sar\u00e0 non fluido, bens\u00ec \u00abscattoso\u00bb.<\/p>\n

1. Generiamo dati, impostiamo il passo della discesa del gradiente.<\/p>\n

\"Apprendimento
\n
\n2. Con una corretta selezione del passo di discesa del gradiente, arriviamo al minimo in modo fluido e abbastanza rapido.<\/p>\n

\"Apprendimento
\n
\n3. Con una selezione errata del passo di discesa del gradiente, saltiamo il massimo, il grafico dell'errore \u00e8 \u00abscattoso\u00bb, la convergenza richiede un numero maggiore di passi.<\/p>\n

\"Apprendimento
\ne<\/p>\n

\"Apprendimento
\n
\n4. Con una scelta completamente errata del passo di discesa del gradiente, ci allontaniamo dal minimo.<\/p>\n

\"Apprendimento
\n
\n(Per riprodurre il processo con i valori del passo di discesa del gradiente mostrati nelle immagini, selezionare l'opzione \u00abdati di riferimento\u00bb).<\/p>\n

Il file \u00e8 disponibile a questo link, \u00e8 necessario abilitare le macro, non ci sono virus.<\/a><\/noindex><\/p>\n

Come ritiene rispettata la comunit\u00e0, \u00e8 accettabile tale semplificazione e metodo di presentazione del materiale? Vale la pena tradurre l'articolo in inglese? <\/b>
\n
Fonte: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":22912,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30936","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Apprendimento automatico senza Python, Anaconda e altri rettili | ProHoster","description":"No, beh, certo, non parlo sul serio. Deve pur esserci un limite a quanto pu\u00f2 essere semplificato un argomento. Tuttavia, per le prime fasi, per comprendere i concetti di base e per un rapido \u00abingresso\u00bb nel tema, potrebbe essere accettabile. Per quanto riguarda come denominare correttamente questo materiale (opzioni: \u00abMachine Learning per principianti\u00bb, \u00abAnalisi dei dati fin dai primi passi\u00bb, \u00abAlgoritmi per i pi\u00f9 piccoli\u00bb), ne discuteremo alla fine. K","canonical_url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 Python, Anaconda \u0438 \u043f\u0440\u043e\u0447\u0438\u0445 \u043f\u0440\u0435\u0441\u043c\u044b\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f | ProHoster","og:description":"\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a","og:url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:38:20+00:00","article:modified_time":"2019-10-31T18:38:20+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30936","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 03:45:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:27:05","updated":"2026-01-21 03:45:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/30936","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=30936"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/30936\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media\/22912"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=30936"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=30936"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=30936"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}