Machine learning

Algoritmi di ricostruzione ibrida Gli algoritmi di ricostruzione ibrida rappresentano una classe avanzata di tecniche computazionali utilizzate per ricostruire oggetti, immagini o segnali a partire da dati incompleti, rumorosi o multidimensionali. Questa metodologia combina approcci diversi, sfruttando i punti di forza di tecniche tradizionali e moderne, come modelli fisici, metodi basati su dati e reti [...]

Algoritmi di fusione delle conoscenze Nel contesto dell'intelligenza artificiale (IA) e dell'apprendimento automatico (ML), la fusione delle conoscenze (“knowledge fusion”) rappresenta un processo fondamentale per combinare informazioni provenienti da fonti diverse, al fine di ottenere una rappresentazione più completa e accurata di un dominio specifico. Questo approccio è cruciale per affrontare problemi complessi che richiedono [...]

Algoritmi di fusione di informazioni multimodali Nell’era dei big data e dell’intelligenza artificiale (IA), l’integrazione di informazioni provenienti da diverse fonti o modalità è diventata cruciale per risolvere problemi complessi. Gli algoritmi di fusione multimodale mirano a combinare dati di natura diversa, come immagini, testo, audio, video e sensori, per migliorare le prestazioni dei modelli [...]

Algoritmi di segmentazione dei tumori nei dati di imaging medico 3D La segmentazione dei tumori nei dati di imaging medico 3D rappresenta una delle sfide più critiche e avanzate nel campo della radiologia computazionale e dell’intelligenza artificiale (IA) applicata alla medicina. Questa tecnica mira a identificare e delineare accuratamente le regioni tumorali in immagini ottenute [...]

Algoritmi di fusione di dati (Ensemble Methods) Gli algoritmi di fusione di dati, comunemente noti come ensemble methods, sono una classe di tecniche di machine learning che combinano le previsioni di molteplici modelli per migliorare le prestazioni rispetto a un singolo modello. Questo approccio si basa sull'idea che un insieme di modelli diversi possa correggere [...]

Apprendimento incrementale online per Grafi Dinamici Negli ultimi anni, i grafi sono emersi come una struttura dati fondamentale per rappresentare relazioni complesse in molti campi, come i social network, i sistemi di raccomandazione e la biologia computazionale. Tuttavia, molti di questi grafi sono dinamici, con nodi e archi che cambiano nel tempo. L'apprendimento incrementale online [...]

Apprendimento incrementale a lungo termine (LTL) L’intelligenza artificiale (IA) e il machine learning (ML) stanno rivoluzionando molti settori, dall’industria alla sanità, grazie alla loro capacità di apprendere e adattarsi a scenari complessi. Uno dei paradigmi emergenti in questo ambito è l'apprendimento incrementale a lungo termine (Long-Term Learning, LTL), un approccio che permette ai modelli di [...]

Metriche di una matrice di confusione nel Machine Learning: Accuracy, Precision, Recall e F1-Score La matrice di confusione (confusion matrix) è un concetto centrale nell'ambito del machine learning, particolarmente utile per l'analisi delle prestazioni dei modelli di classificazione. Questo articolo esplora la struttura, il significato e l'applicazione pratica della matrice di confusione, illustrando come essa [...]

Apprendimento incrementale continuo nel Machine Learning L'obiettivo principale dell'apprendimento incrementale continuo (Continual Learning, CL) nel machine learning è sviluppare modelli che possano adattarsi efficacemente a nuovi dati o compiti senza dimenticare le competenze acquisite precedentemente. Questo campo di ricerca si propone di superare uno dei limiti fondamentali degli approcci di apprendimento tradizionali, affrontando scenari di [...]

BPM e Decision Making con Support Vector Machine (SVM) Nel mondo sempre più complesso e competitivo degli affari, la capacità di prendere decisioni informate e tempestive è diventata una competenza cruciale. Il Business Process Management (BPM) gioca un ruolo fondamentale nell'ottimizzazione dei processi aziendali, e l'integrazione del decision making basato su dati (Data-Driven Decision Making) [...]

Semi-Supervised Time Series Learning (S4L): analisi di serie temporali L'apprendimento semi-supervisionato su serie temporali (S4L) rappresenta un'area di ricerca molto promettente nel campo del machine learning. Questo metodo combina dati etichettati e non etichettati per migliorare la qualità dei modelli predittivi, soprattutto quando le etichette sono costose o difficili da ottenere. In questo articolo, esploreremo [...]

La potenza di Prophet per il Forecasting del valore delle azioni La predizione del valore delle azioni è un argomento di grande interesse sia per gli investitori individuali che per le istituzioni finanziarie. Con l'avanzare della tecnologia, l'uso degli algoritmi di previsione è diventato sempre più comune. Tra questi algoritmi di forecasting, Prophet, sviluppato da [...]