In questo repository troverete tutto il codice, l'indice e l'errata corrige del mio libro "A tu per tu col Machine Learning", pubblicato da thedotcompany e in vendita qui.

Il libro contiene codice eseguibile con un interprete Python 3.

Il mio consiglio, per seguire al meglio i vari capitoli del libro e imparare il più possibile, è quello di scaricare il codice contenuto in questo repository Git, eseguire il relativo notebook mentre si legge il capitolo, e provare di tanto in tanto a modificare il codice.

Per eseguire il codice avrete bisogno di una macchina con Git installato (https://git-scm.com/), e un interprete Python 3 (scaricate Anaconda, che ha tutto quello che vi serve per non impazzire nell'installazione dei vari moduli aggiuntivi).

Una volta che avrete installato Git e Anaconda, scaricate il codice usando:

$ git clone https://github.com/alessandrocucci/ml-book.git
$ cd ml-book
$ conda install numpy pandas matplotlib tensorflow jupyter ipython scikit-learn
$ pip install tflearn

Installati i pacchetti necessari, avviate Jupyter per iniziare a lavorare:

$ jupyter notebook

• Capitolo 1: Nuovo lavoro, nuovo linguaggio

  Questo capitolo è una brevissima guida alla programmazione in Python. L’obiettivo non è fornire una guida di riferimento al linguaggio, quanto piuttosto introdurre ai lettori che hanno un minimo di esperienza di programmazione, magari in altri linguaggi, questo linguaggio di programmazione oggi ai vertici nel mondo dei Big Data e del Machine Learning.

• Capitolo 2: Gestione dei Dati: iPython, Numpy e Pandas

  In questo capitolo vengono introdotte le librerie Python con cui un data scientist lavora quotidianamente. iPython, affiancato dai notebook di Jupiter, danno una marcia in più alla console Python e permettono, oltre a salvare le sessioni di lavoro, anche di aggiungere facilmente testo e grafici al codice e alle elaborazioni dei modelli, permettendo anche di esportare il lavoro svolto nei formati più disparati.

• Capitolo 3: Rappresentazione grafica dei dati

  Questo capitolo ha lo scopo di semplificarvi la vita. Osservare dati attraverso grafici piuttosto che nella loro forma cruda ci permette di comprenderli meglio, analizzarne la forma e decidere con cognizione di causa il tipo di modello che meglio si adatta alla loro struttura.

• Capitolo 4: La migliore offerta: Regressione Multivariata

  Qui inizia la carrellata degli algoritmi di Machine Learning facenti parte della branca dell’Apprendimento Supervisionato. Come prima avventura, aiuterò un responsabile delle Risorse Umane a stimare il RAL da proporre a un candidato basandosi sugli stipendi erogati attualmente in azienda, il livello di istruzione, gli anni di esperienza, il ruolo e il linguaggio di programmazione con cui lavorerà. Per farlo, userò quello che viene chiamato Regressione Lineare Multivariata.

• Capitolo 5: Prestiti e alberi decisionali

  Dalle Risorse Umane alle finanziarie. Qui cambieremo approccio, usando le Foreste Casuali e gli Alberi Decisionali per decidere se una richiesta di prestito merita una valutazione più approfondita da parte del personale addetto o se può essere scartata a priori perchè in base alle esperienze precedenti viene considerata ad alto rischio di insolvenza.

• Capitolo 6: Analisi del sentimento: Il teorema di Bayes

  In questo capitolo, a farla da padrone non sono i numeri, ma il testo in linguaggio naturale. A partire dal download di tweet contenenti determinati hashtag, cercheremo di implementare un programma che possa in un qualche modo interpretare il testo contenuto nei tweet scaricati, con lo scopo di catalogarli (in base al sentimento che esprimono) in positivi o negativi. Per farlo, useremo alcuni principi di probabilità condizionata, in particolare il Teorema di Bayes.

• Capitolo 7: Chatbot su Messenger con le Reti Neurali

  Qui continua il mio viaggio nel mondo dei Social Network. Archiviata la pratica Twitter, in questo capitolo costruiremo un chatbot su Facebook. Lo scopo del bot è quello di fornire informazioni dettagliate e specifiche riguardo ai servizi offerti, dando un senso alle risposte fornite in base al contesto su cui si basa la conversazione. Come modello di Machine Learning useremo le Reti Neurali. Leggendo questo capitolo, imparerete anche a salvare i risultati di un modello di Machine Learning già istruito, costruire una API Rest per utilizzarlo, e fare il deploy del tutto su una macchina in Cloud.

• Capitolo 8: Consigliami un libro! Le regole di Associazione

  Non di solo Apprendimento Supervisionato è fatto il Machine Learning! Se non disponiamo di dati di storico che abbiano già un risultato predetto (sia esso categorico o continuo) dobbiamo cercare altri modi per scoprire, e poi sfruttare, i pattern che i dati nascondono. Le Regole di Associazione, usando l’algoritmo Apriori, può essere una strada. Le useremo in questo capitolo per consigliare i lettori di una casa editrice riguardo nuovi possibili titoli, in base agli acquisti fatti da altri lettori con preferenze simili.

• Capitolo 9: Raggruppare oggetti: gli algoritmi di clusterizzazione

  Il clustering è uno strumento potente. Permette di trovare dei raggruppamenti naturali nella disposizione dei dati. Qui verranno introdotti due degli algoritmi principali usati in questo ambito: K-means e DBSCAN.