Deep learning: Apprendimento supervisionato [parte 2]
Oltre ai classici metodi di classificazione e regressione esistono altri approcci e campi in cui l’apprendimento automatico viene utilizzato. Possiamo infatti assegnare diverse etichette allo stesso campione, creare modelli per migliorare la ricerca nelle nostre applicazioni o suggerire contenuti altamente rilevanti in base al profilo del singolo utente. Infine, possiamo costruire modelli che usano sequenze di dati per produrre nuove sequenze, quali le traduzioni o la conversione da audio a testo e viceversa.
Deep learning: Apprendimento supervisionato [parte 1]
Quando dobbiamo analizzare i dati abbiamo a disposizione diverse tecniche. Nel deep learning, ma in più in generale nella data science, possiamo avvalerci di alcuni tecniche chiamate di apprendimento superivisionato. Queste consistono nell’osservare alcuni dati di esempio per predirre valori e/o etichette su dati nuovi.
Deep learning: concetti chiave
I data scientists che vogliono usare tecniche di machine learning e/o deep learning devono avere ben chiaro alcuni concetti chiave: i dati, i modelli, le funzioni obiettivo e gli algoritmi di ottimizzazione. Analizziamoli nel dettaglio per comprendere come usarli nei nostri progetti.
Deep learning: introduzione
Il deep learning è uno strumento che ha invaso la vita di tutti i giorni. Molte delle applicazioni che usiamo quotidianamente si basano su modelli costruiti con tecniche specifiche che accumulano esperienza osservando i dati a nostra disposizione. Scopriamo cos’è e come influenza l’utilizzo e l’esperienza delle nostre applicazioni.
NLP: una guida completa [parte 3]
Quali sono i modelli NLP che hanno fatto la storia? In questa guida scopriremo alcuni di questi oltre ad una panoramica delle librerie più utilizzate per sviluppare i modelli. Infine, tratteremo alcune controversie che sono nate in questo campo.
NLP: una guida completa [parte 2]
L’elaborazione del linguaggio naturale (NLP) ci permette di creare dei sistemi in gradi di interpretare ciò che noi scriviamo. Ma come vengono trattai i dati che sono alla base di questi modelli? E quali sono le tecniche maggiormente utilizzate? In questa guida analizzeremo questi aspetti.
NLP: una guida completa [parte 1]
Ogni giorno ci interfacciamo con sistemi informatici che rispondono alle nostre domande in linguaggio naturale. Ma come fanno i programmi dei nostri giorni ad essere così “intelligenti” da risponderci? Per rispondere a questa domanda dobbiamo comprendere cos’è l’elaborazione del linguaggio naturale. Questa guida ci introdurre in questo ramo dell’informatica.
PostGIS: introduzione al database spaziale
I dati spaziali sono diventati negli ultimi anni un’informazione fondamentale di molte applicazioni. Il loro utilizzo, ormai, non è più relegato a settori specifici. Pertanto, l’uso di database che permettano un’interrogazione efficiente di queste tipologie di dato integrate con altre informazioni è fondamentale. PostGIS rappresenta il database relazionale spaziale per eccellenza. Scopriamo le sue caratteristiche principali!
AI: ingegneria dei prompt per ridurre le allucinazioni [parte 2]
Le allucinazioni, ossia risposte che sembrano avere un senso ma in realtà sono errate, affliggono tutti modelli linguistici di grandi dimensioni (LLM). Esistono alcune tecniche che possono essere usate per mitigare questo comportamento. Scopriamo alcune di esse mediante esempi ed analizzando i vantaggi e gli svantaggi.
AI: ingegneria dei prompt per ridurre le allucinazioni [parte 1]
Le tecniche di ingegneria dei prompt ci permettono di migliorare il ragionamento e le risposte fornite dai LLM , quali ChatGPT. Tuttavia siamo sicuri che le risposte ricevute siano corrette? In alcuni casi no! Quando ciò avviene si dice che il modello ha avuto delle allucinazioni. Scopriamo di cosa si tratta e quali sono le tecniche per ridurre la probabilità di ottenerle.
