Plotly Go: visualizzazione avanzata in Python
Visualizzare i dati è fondamentale per comprendere al meglio i dati e le analisi effettuate. Esistono diversi strumenti, gratuiti e a pagamento, che permettono di creare fantastiche dashboard. E’ possibile però scrivere poche riche in Python per ottenere degli ottimi risultati ed essere più flessibili in base al progetto di interesse. Scopriamo come creare grafici Scatter Bubble interattivi con Plotly Go su un progetto reale.
Clustering: un vero progetto per esplorare i dati
Il clustering è uno strumento molto potente per raggruppare i dati. Esistono molti algoritmi che possono essere applicati e pertanto la scelta risulta sempre difficile. Inoltre, tutti gli algoritmi di clustering richiedono dei parametri per funzionare. Mediante un caso di studio reale, applicato ai dati immobiliari, combineremo PCA, clustering gerarchico e K-means per fornire soluzioni di clustering ottimali.
BigQuery e i fogli di calcolo: come integrarli?
Tutti noi usiamo i servizi di Google per gestire le email, scrivere documenti, creare presentazioni e fare calcoli. Ma vi siete mai chiesti come questi strumenti possano essere utilizzati per far aumentare la vostra produttività lavorativa? Grazie ai semplici fogli di calcolo di Google e il potente datawarehouse BigQuery, possiamo analizzare grandi quantità di dati senza dover essere degli esperti. Scopriamo come integrare facilmente questi due strumenti per i nostri progetti.
Clustering gerarchico: come funziona
Gli algoritmi di clustering permettono di raggruppare i dati in base alle loro caratteristiche intrinseche. Esistono molti algoritmi che sono stati sviluppati negli anni. Il clustering gerarchico, grazie ad una rappresentazione grafica chiamata dendrogramma permette di visualizzare in modo immediato la composizione dei clusters e interpretare le loro caratteristiche. Scopriamo, passo passo, il suo funzionamento e come interpretare i risultati ottenuti.
K-Means: come funziona
Gli algoritmi di clustering permettono di raggruppare i dati in base alle loro caratteristiche intrinseche. Esistono molti algoritmi che sono stati sviluppati negli anni. Il K-Means è quello sicuramente più popolare e semplice. Scopriamo, passo passo, come questo metodo riesce ad individuare cluster di dati usando solo il numero di gruppi che devono essere estratti.
DBSCAN: come funziona
Gli algoritmi di clustering permettono di raggruppare i dati in base alle loro caratteristiche intrinseche. Esistono molti algoritmi che sono stati sviluppati negli anni. Tra quelli più famosi non possiamo dimenticare il DBSCAN. Scopriamo, passo passo, come questo metodo riesce ad individuare cluster di dati di qualsiasi forma e dimensione grazie a soli due parametri.
ChatGPT: cos’è e cosa può generare il nuovo rivoluzionario strumento per la generazione di testi
ChatGPT è il prodotto di punta di OpenAI. Questo chatbot, completamente gratuito, ci permette di interagire con l’intelligenza artificiale per generare idee, articoli, codice e molto altro. Scopriamo le sue caratteristiche e alcuni possibili campi applicativi.
Elasticsearch: pipeline di aggregazione
Elasticsearch offre la possibilità di estrarre statistiche e gruppi di dati mediante le funzioni aggregazione. In molti contesti, però, è necessario concatenare i risultati di queste analisi per ottenere risultati più raffinati. Vediamo come le pipeline di aggregazione ci permettono di ottenere i risultati di nostro interesse.
Elasticsearch: aggregazioni a bucket [parte 2]
Con le aggregazioni a bucket di Elasticsearch possiamo creare gruppi di documenti. Dopo aver visto nell’articolo precedente le aggregazioni basate sui campi di tipo keyword, ora ci concentreremo su altre funzioni orientate ad altre tipologie di dato. In particolare, useremo aggregazioni per la definizioni di intervalli numerici, di date o gruppi basati su dati georeferenziati.
Elasticsearch: aggregazioni a bucket [parte 1]
Con le aggregazioni a bucket di Elasticsearch possiamo creare gruppi di documenti. In questo articolo ci concentreremo principalmente sulle aggregazioni basate sui campi di tipo keyword presenti negli indici. Utilizzeremo diversi esempi per capire le principali differenze tra le funzioni di aggregazione disponibili.
