Machine Learning

Questo post descrive l'usage di alcuni tool generali per la generazione e la visualizzazione di dataset che rappresentano o approssimano oggetti matematici quali funzioni, curve e superfici; tali tool sono utilizzati da altri programmi descritti in altri post di questo sito web.

Questo post tratta l'approssimazione di funzioni matematiche reali scalari a una o più variabili reali tramite la libreria PyCaret senza scrivere codice ma agendo solo sulla linea di comando di due script Python.

L'algoritmo XGBoost, conosciuto per aver vinto numerose competizioni Kaggle, dà risultati incredibili nell'ambito dell'approssimazione di funzioni; i risultati sono estremamente esaltanti sia in termini di metriche di errore che di performance.

Gli algoritmi Support Vector Machine, conosciuti impiegati nel contesto della classificazione, possono essere adoperati nell'ambito della regressione e in particolare nell'approssimazione di funzioni reali sia scalari che vettoriali a una o più variabili reali.

Questo post mostra un uso della classe PolynomialRegression del framework Accord.NET con l'obiettivo di dimostrare che la regressione polinomiale classica del machine learning può raggiungere interessanti livelli di accuratezza con tempi di learning estremamente brevi.

Questo post mostra come usare Weka, e precisamente l'algoritmo SMO per la regressione SVM con kernel PUK, con il fine di realizzare una regressione di dataset generati sinteticamente tramite funzioni reali di una variabile continue e limitate.

Questo post mostra come usare Weka, e precisamente l'algoritmo SMO per il forecasting SVM con kernel polinomiale, con il fine di realizzare il forecast di una serie storica generata sinteticamente con periodicità e trend.