Digital 1nn0vation saturday pn 2019 - ML.NETMarco Zamana
Alla scoperta del framework ML.NET e dei suoi concetti importanti. Scopriamo la sua malleabilità e Il come è integrabile all'interno di una applicazione .NET già esistente.
AZURE Machine Learning Studio: applicazione alla manutenzione predittivaAriel Cedola
Presentazione al meetup Azure Torino del 13 dicembre 2018 sullo strumento Azure Machine Learning Studio. Comprende una breve intro al machine learning, concetti di base di Azure Machine Learning Studio e del suo utilizzo, e la sua integrazione con altri servizi di Azure come Event Hub, Stream Analytics, Blob Storage e Power BI, in un caso di uso di analisi di dati in tempo reale nell'ambito della manutenzione predittiva. I dati di telemetria di sensori in streaming sono stati simulati a partire di un codice in-house sviluppato in Python.
AzureML - Creating and Using Machine Learning Solutions (Italian)Davide Mauri
Si è tornato a parlare molto di Machine Learning negli ultimi anni. Grazie anche al fatto che è possibile oggi processare enormi moli di dati in tempi (relativamente) veloci questa parte dell'informatica sta vivendo una seconda giovinezza.
In questa sessione vedremo cos'è il machine learning, quali sono le diverse casistiche tecniche e funzionali in cui può essere usato ed inizieremo a "giocare" con i dati per vedere fin dove possiamo spingerci, usando strumenti On-Premise e quindi spostandoci poi sull'offerta Azure Machine Learning dove, una volta fatta propria la teoria, si possono realizzare soluzioni estremamente complesso in modo molto visuale e sfruttare la scalabilità di Azure per avere performance ottimali. Il tutto senza dimenticare che gli algoritmi così ottenuti possono essere facilmente integrati nelle nostre applicazioni semplicemente invocando un web service.
Digital 1nn0vation saturday pn 2019 - ML.NETMarco Zamana
Alla scoperta del framework ML.NET e dei suoi concetti importanti. Scopriamo la sua malleabilità e Il come è integrabile all'interno di una applicazione .NET già esistente.
AZURE Machine Learning Studio: applicazione alla manutenzione predittivaAriel Cedola
Presentazione al meetup Azure Torino del 13 dicembre 2018 sullo strumento Azure Machine Learning Studio. Comprende una breve intro al machine learning, concetti di base di Azure Machine Learning Studio e del suo utilizzo, e la sua integrazione con altri servizi di Azure come Event Hub, Stream Analytics, Blob Storage e Power BI, in un caso di uso di analisi di dati in tempo reale nell'ambito della manutenzione predittiva. I dati di telemetria di sensori in streaming sono stati simulati a partire di un codice in-house sviluppato in Python.
AzureML - Creating and Using Machine Learning Solutions (Italian)Davide Mauri
Si è tornato a parlare molto di Machine Learning negli ultimi anni. Grazie anche al fatto che è possibile oggi processare enormi moli di dati in tempi (relativamente) veloci questa parte dell'informatica sta vivendo una seconda giovinezza.
In questa sessione vedremo cos'è il machine learning, quali sono le diverse casistiche tecniche e funzionali in cui può essere usato ed inizieremo a "giocare" con i dati per vedere fin dove possiamo spingerci, usando strumenti On-Premise e quindi spostandoci poi sull'offerta Azure Machine Learning dove, una volta fatta propria la teoria, si possono realizzare soluzioni estremamente complesso in modo molto visuale e sfruttare la scalabilità di Azure per avere performance ottimali. Il tutto senza dimenticare che gli algoritmi così ottenuti possono essere facilmente integrati nelle nostre applicazioni semplicemente invocando un web service.
Zero, One, Many - Machine Learning in Produzione (Luca Palmieri)MeetupDataScienceRoma
Talk dal Meetup del Machine Learning / Data Science Meetup di Roma - Giugno 2019:
https://www.meetup.com/it-IT/Machine-Learning-Data-Science-Meetup/events/262120815/
Machine Learning: potenzialità e e applicazioni praticheCommit University
Gli strumenti di machine learning sono un'affollata famiglia di tecniche mature e efficaci per risolvere problemi interdisciplinari che vanno dall’analisi dei sensori all’analisi dei testi.
In questo workshop abbiamo visto quali sono le loro potenzialità e possibilità di applicazione e come valutarne i risultati.
Gabriele Lami di Elif Lab ci ha mostrato quali sono le applicazioni delle tecniche di macchine Learning nell'elaborazione di dati acquisiti dal campo attraverso sistemi IoTl
Cosa è intelligenza artificiale, machine learning, domande e obiettivi per chiarire cosa si vuole ottenere, misurazioni dei risultati, stress test per trovare punti critici.
Webinar svolto il 19 maggio 2020 con associazione professionisti del web IWA https://www.iwa.it/
L’intelligenza artificiale offre grandi opportunità per creare nuovi modelli di business o migliorare quelli esistenti.
In senso più ampio cambia il modo di lavorare, sviluppare relazioni e gestire i processi operativi con clienti, colleghi e partner.
Si tratta dunque di uno strumento potente i cui benefici si estendono in molti settori anche tradizionali: Formazione, Servizi B2B, Professionisti e Aziende manifatturiere.
Questo workshop intende offrire alcuni spunti sull’Intelligenza Artificiale e come si applica a casi pratici anche per interessati privi di specifiche competenze “ingegneristiche” o di programmazione.
Perché è importante l’intelligenza artificiale?
Come selezionare le informazioni più significative per il tuo settore?
Quali sono i modelli e strumenti che facilitano le scelte di business più corrette?
Perché l’approccio “open” è più efficace?
10/09/2015 Presentazione Progetto #LearnPAd - model based social learning for...Andrea Sergiacomi
Il progetto LearnPAD ("model based social LEARNing for Public ADministrations"), coordinato dal CNR e finanziato sul 7° programma quadro per la ricerca e lo sviluppo tecnologico, si pone l’obiettivo principale di realizzare una piattaforma software collaborativa per la formazione del personale della pubblica amministrazione, a partire dalla modellazione dei processi di servizio.
In particolare Regione Marche e Università di Camerino sono coinvolti nella sperimentazione del sistema su casi d’uso relativi ai procedimenti amministrativi degli Sportelli Unici per le Attività Produttive (SUAP). Regione Marche, con il supporto della Scuola di Formazione della PA e del tavolo SUAP coordinato dalla PF Liberalizzazione e semplificazione delle attività produttive, ha coinvolto gli enti locali nella validazione e nell’utilizzo dei risultati progettuali, ed il 10 settembre 2015 ha presentato il progetto e le prossime attività che coinvolgeranno i SUAP e le altre PA locali coinvolte, fino alla fine del progetto (Luglio 2016).
http://www.ecommunity.marche.it/Eventi/PresentazioneProgettoLearnPAD/tabid/278/Default.aspx
Moodle e la verifica dell'uso delle risorseLuca Mazzola
Come semplificare un poco la vita degli amministratori e dei progettisti didattici: presentazione che verrà tenuta in occasione del MoodleMoot 2009 a Torino - 8-9/05/2009
Presentazione di un tool di analisi dell'uso degli strumenti integrati in Moodle, per supportare i progettisti didattici e gli amministratori di sistema nella percezione del reale utilizzo delle risorse effettuato da docenti e studenti
Tecniche Di Troubleshooting Nei Sistemi DistribuitiK-Tech Formazione
Questo seminario sulle tecniche di troubleshooting fa rientra nella collaborazione fra K-Tech (http://www.k-tech.it/) e la Facoltà di Ingegneria dell’Università Roma TRE, nell’ambito delle attività della Consulta.
Il seminario presenta come risolvere problemi tipici dei sistemi distribuiti che avvengono in produzione. Insieme agli esempi pratici si presenta anche un metodo per il troubleshooting che assicura una maniera veloce ed efficace per la determinazione dei problemi ed in generale per la gestione delle performance applicative. Il metodo si basa sulle evidenze del monitoraggio e pone l'accento sulla qualità delle informazioni raccolte in produzione, il fattore più determinante, assieme al tempo, per tutto il processo di troubleshooting. Questo materiale è preso da un corso di più giorni offerto da K-Tech s.r.l. Il corso ha lo scopo di mostrare agli Application Server Administrator (ASA) cosa fare per rendere possibile la risoluzione dei problemi in breve tempo e cosa evitare attraverso il confronto dei risultati di queste azioni. Gli esempi pratici mostrano come applicare correttamente il metodo e selezionare gli strumenti più adatti in ogni singolo caso.
Per conoscere le iniziative di K-Tech seguiteci sul nostro sito: http://www.k-tech.it/
Front-end First: sopravvivere con il testing in JavaScriptCodemotion
"Front-end First: sopravvivere con il testing in JavaScript" by Michele Aponte.
Le moderne applicazioni web ormai spostano la logica di interfaccia lato client, rendendo JavaScript assoluto protagonista dello sviluppo. Si rende quindi necessario poter testare in maniera automatica questa componente e in questa sessione vedremo, con un approccio molto pratico, tools e tecniche per farlo in maniera sostenibile. Partiremo dai principali framework di testing confrontando l'approccio TDD e BDD; analizzeremo framework e tecniche di mocking; vedremo come rendere testabile codice già scritto e come AngularJS semplifichi notevolmente gli scenari di test.
In questa serie di incontri vedremo insieme come funziona la piattaforma PaaS di Google App Engine, in particolare con il linguaggio Python. Lo scopo principale sarà spiegare come funziona la piattaforma e realizzare piccole demo e/o snippets che possano tornare utili per lo sviluppo di tutti i giorni. Le serate saranno focalizzate su un topic specifico, iniziando da situazioni semplici ed adatte a tutti, addentrandosi poi, man mano, in situazioni sempre più specifiche.
Ottava puntata del MuleSoft Meetup di Milano. Parliamo insieme a Paolo Petronzi di metodologie di testing e automazione con MUnit e poi con Luca Bonaldo, il nostro Mulesoft Mentor in Italia, dell'integrazione con Salesforce.
https://meetups.mulesoft.com/events/details/mulesoft-milano-presents-mulesoft-milano-meetup-8/
Zero, One, Many - Machine Learning in Produzione (Luca Palmieri)MeetupDataScienceRoma
Talk dal Meetup del Machine Learning / Data Science Meetup di Roma - Giugno 2019:
https://www.meetup.com/it-IT/Machine-Learning-Data-Science-Meetup/events/262120815/
Machine Learning: potenzialità e e applicazioni praticheCommit University
Gli strumenti di machine learning sono un'affollata famiglia di tecniche mature e efficaci per risolvere problemi interdisciplinari che vanno dall’analisi dei sensori all’analisi dei testi.
In questo workshop abbiamo visto quali sono le loro potenzialità e possibilità di applicazione e come valutarne i risultati.
Gabriele Lami di Elif Lab ci ha mostrato quali sono le applicazioni delle tecniche di macchine Learning nell'elaborazione di dati acquisiti dal campo attraverso sistemi IoTl
Cosa è intelligenza artificiale, machine learning, domande e obiettivi per chiarire cosa si vuole ottenere, misurazioni dei risultati, stress test per trovare punti critici.
Webinar svolto il 19 maggio 2020 con associazione professionisti del web IWA https://www.iwa.it/
L’intelligenza artificiale offre grandi opportunità per creare nuovi modelli di business o migliorare quelli esistenti.
In senso più ampio cambia il modo di lavorare, sviluppare relazioni e gestire i processi operativi con clienti, colleghi e partner.
Si tratta dunque di uno strumento potente i cui benefici si estendono in molti settori anche tradizionali: Formazione, Servizi B2B, Professionisti e Aziende manifatturiere.
Questo workshop intende offrire alcuni spunti sull’Intelligenza Artificiale e come si applica a casi pratici anche per interessati privi di specifiche competenze “ingegneristiche” o di programmazione.
Perché è importante l’intelligenza artificiale?
Come selezionare le informazioni più significative per il tuo settore?
Quali sono i modelli e strumenti che facilitano le scelte di business più corrette?
Perché l’approccio “open” è più efficace?
10/09/2015 Presentazione Progetto #LearnPAd - model based social learning for...Andrea Sergiacomi
Il progetto LearnPAD ("model based social LEARNing for Public ADministrations"), coordinato dal CNR e finanziato sul 7° programma quadro per la ricerca e lo sviluppo tecnologico, si pone l’obiettivo principale di realizzare una piattaforma software collaborativa per la formazione del personale della pubblica amministrazione, a partire dalla modellazione dei processi di servizio.
In particolare Regione Marche e Università di Camerino sono coinvolti nella sperimentazione del sistema su casi d’uso relativi ai procedimenti amministrativi degli Sportelli Unici per le Attività Produttive (SUAP). Regione Marche, con il supporto della Scuola di Formazione della PA e del tavolo SUAP coordinato dalla PF Liberalizzazione e semplificazione delle attività produttive, ha coinvolto gli enti locali nella validazione e nell’utilizzo dei risultati progettuali, ed il 10 settembre 2015 ha presentato il progetto e le prossime attività che coinvolgeranno i SUAP e le altre PA locali coinvolte, fino alla fine del progetto (Luglio 2016).
http://www.ecommunity.marche.it/Eventi/PresentazioneProgettoLearnPAD/tabid/278/Default.aspx
Moodle e la verifica dell'uso delle risorseLuca Mazzola
Come semplificare un poco la vita degli amministratori e dei progettisti didattici: presentazione che verrà tenuta in occasione del MoodleMoot 2009 a Torino - 8-9/05/2009
Presentazione di un tool di analisi dell'uso degli strumenti integrati in Moodle, per supportare i progettisti didattici e gli amministratori di sistema nella percezione del reale utilizzo delle risorse effettuato da docenti e studenti
Tecniche Di Troubleshooting Nei Sistemi DistribuitiK-Tech Formazione
Questo seminario sulle tecniche di troubleshooting fa rientra nella collaborazione fra K-Tech (http://www.k-tech.it/) e la Facoltà di Ingegneria dell’Università Roma TRE, nell’ambito delle attività della Consulta.
Il seminario presenta come risolvere problemi tipici dei sistemi distribuiti che avvengono in produzione. Insieme agli esempi pratici si presenta anche un metodo per il troubleshooting che assicura una maniera veloce ed efficace per la determinazione dei problemi ed in generale per la gestione delle performance applicative. Il metodo si basa sulle evidenze del monitoraggio e pone l'accento sulla qualità delle informazioni raccolte in produzione, il fattore più determinante, assieme al tempo, per tutto il processo di troubleshooting. Questo materiale è preso da un corso di più giorni offerto da K-Tech s.r.l. Il corso ha lo scopo di mostrare agli Application Server Administrator (ASA) cosa fare per rendere possibile la risoluzione dei problemi in breve tempo e cosa evitare attraverso il confronto dei risultati di queste azioni. Gli esempi pratici mostrano come applicare correttamente il metodo e selezionare gli strumenti più adatti in ogni singolo caso.
Per conoscere le iniziative di K-Tech seguiteci sul nostro sito: http://www.k-tech.it/
Front-end First: sopravvivere con il testing in JavaScriptCodemotion
"Front-end First: sopravvivere con il testing in JavaScript" by Michele Aponte.
Le moderne applicazioni web ormai spostano la logica di interfaccia lato client, rendendo JavaScript assoluto protagonista dello sviluppo. Si rende quindi necessario poter testare in maniera automatica questa componente e in questa sessione vedremo, con un approccio molto pratico, tools e tecniche per farlo in maniera sostenibile. Partiremo dai principali framework di testing confrontando l'approccio TDD e BDD; analizzeremo framework e tecniche di mocking; vedremo come rendere testabile codice già scritto e come AngularJS semplifichi notevolmente gli scenari di test.
In questa serie di incontri vedremo insieme come funziona la piattaforma PaaS di Google App Engine, in particolare con il linguaggio Python. Lo scopo principale sarà spiegare come funziona la piattaforma e realizzare piccole demo e/o snippets che possano tornare utili per lo sviluppo di tutti i giorni. Le serate saranno focalizzate su un topic specifico, iniziando da situazioni semplici ed adatte a tutti, addentrandosi poi, man mano, in situazioni sempre più specifiche.
Ottava puntata del MuleSoft Meetup di Milano. Parliamo insieme a Paolo Petronzi di metodologie di testing e automazione con MUnit e poi con Luca Bonaldo, il nostro Mulesoft Mentor in Italia, dell'integrazione con Salesforce.
https://meetups.mulesoft.com/events/details/mulesoft-milano-presents-mulesoft-milano-meetup-8/
Riflessioni sulle App di Contact Tracing
Fonti principali:
- “Centralized or Decentralized? The Contact Tracing Dilemma” by Serge Vaudenay (EPFL) https://eprint.iacr.org/2020/531
- “Contact Tracing Technologies: Methods and trade-offs” by MIT Media Lab https://dam-prod.media.mit.edu/x/2020/05/19/contact_tracing_tech-1_V5.pdf
- Documentazione App Immuni su GitHub https://github.com/immuni-app/documentation
2. Disclaimer
Questa presentazione è stata pensata e realizzata per l’insegnamento del Machine
Learning nelle scuole superiori.
Non ha la pretesa di essere una guida esaustiva sull’argomento ma deve essere
piuttosto vista come una introduzione per chi si avvicina al tema per la prima volta.
L’autore sarà più che felice di ricevere segnalazioni su eventuali errori e/o
inesattezze. Profilo Twitter: @steccami
Alcuni esempi pratici sviluppati in Python sono disponibili in questo repository:
https://github.com/steccami/school_python/
4. ML come un processo
Data
Pre-Processing
Model
Training
Model
Evaluation/Scoring
Model
Deployment
5. Pre-processing
●
Scopo: preparare i dati di input
●
Pulizia dei dati!!!
– Gestione dei null
– Rimozione dati errati
– …
●
Feature engineering
– Riorganizzazione dei dati per arrivare ad
algoritmi più efficaci
Data
Pre-Processing
6. Training
●
Scopo: estrarre un modello matematico (cioè
l’algoritmo) dai dati storici
●
Regressione, Classificazione, Clustering
●
Esistono molti algoritmi diversi:
– Decision Tree
– Random Forest
– SVM
– Linear Regression
– Logistic Regression
– K-Means
– Vedi: https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
Model
Training
7. Evaluation
●
Scopo: capire l’efficacia del modello creato
●
Molte metriche:
– Precision
– Recall
– Accurancy
– Vedi:
https://en.wikipedia.org/wiki/Precision_and_recall
Model
Evaluation/Scoring
8. Deployment
●
Scopo: Messa in servizio / installazione del modello
●
Per es. Web Service
●
Si punta all’Automation
Model
Deployment
9. Come facciamo a capire se un
modello funziona bene o male?
Dove troviamo i dati “nuovi” per
capire se ha generalizzato bene?
10. Training e Testing Set
Model
Training
Modello
Generato
Automaticamente
Model
Evaluation/Scoring
16. Regression
Approccio 2 – Decision Tree
Nota: Non è un approccio geometrico
●
https://www.youtube.com/watch?v=eKD5gxPPeY0&list=PLBv09BD7ez_4temBw7vLA19p3tdQ
H6FYO
●
Altro esempio: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/?lang=en
18. Classification
●
In realtà Linear Regression, Decision Tree e Random
Forest possono essere usati anche per la Classificazione
●
Esistono molti altri algoritmi (Logistic Regression, Naive
Bayes, ecc.)