Mai nella stessa forma
insieme di principi metodologici (basati sul metodo scientifico) e di tecniche multidisciplinari volto a interpretare ed estrarre conoscenza dai dati attraverso la relativa fase di analisi
In questo articolo, esploreremo insieme le differenze che ci sono tra la statistica descrittiva e la statistica inferenziale, evidenziando i loro ruoli specifici nell’analisi statistica e illustrando come possano essere utilizzati in modo complementare per ottenere una comprensione completa dei dati.
La Probability Density Function (PDF) è una funzione matematica che descrive la probabilità relativa di una variabile casuale di assumere determinati valori. In altre parole, fornisce una rappresentazione della distribuzione di probabilità di una variabile continua. La PDF è non negativa e l’area sotto la curva corrisponde a 1, poiché rappresenta la probabilità totale. Ad esempio, nella distribuzione normale, la PDF è rappresentata da una curva a campana.
La distribuzione t di Student è una distribuzione di probabilità che deriva dal concetto di t-statistica. È spesso utilizzata in inferenza statistica quando il campione su cui si basa un’analisi è relativamente piccolo e la deviazione standard della popolazione è sconosciuta. La forma della distribuzione t è simile a quella normale, ma ha code più spesse, il che la rende più adatta per campioni di dimensioni ridotte.
La kurtosis è una misura statistica che descrive la forma della distribuzione di un insieme di dati. Essenzialmente, indica quanto le code di una distribuzione differiscono da quelle di una distribuzione normale. Un valore di kurtosis superiore a zero suggerisce code più pesanti (distribuzione più “appuntita”), mentre un valore inferiore indica code più leggere (distribuzione più “piatta”). La kurtosis può essere positiva (le code sono più pesanti), negativa (le code sono più leggere) o zero (simile a una distribuzione normale).
La skewness è una misura statistica che descrive l’asimmetria della distribuzione di un insieme di dati. Indica se la coda della distribuzione è spostata verso sinistra o verso destra rispetto alla sua parte centrale. Una skewness positiva indica una coda più lunga a destra, mentre una skewness negativa indica una coda più lunga a sinistra.
ANOVA, acronimo di “Analysis of Variance” (analisi della varianza), è una tecnica statistica utilizzata per valutare se ci sono differenze significative tra le medie di tre o più gruppi indipendenti. In altre parole, ANOVA confronta le medie di diversi gruppi per determinare se almeno uno di essi è significativamente diverso dagli altri.
Ultimamente si fa un gran parlare di questi Large Language Models, anche se molte volte non ce ne rendiamo neanche conto. Strumenti come Chat GPT-3, e altre applicazioni AI si basano proprio su questi modelli e stanno entrando sempre di più nelle nostre vite. E’ quindi importante approfondire questo tipo di concetto e comprendere in che cosa consistono, come sono strutturati e come funzionano. In questo articolo vedremo, cerchiamo di dare una panoramica su questo argomento. Per chi volesse poi approfondire, suggeriamo di visitare altri articoli più dettagliati in merito.
il Machine Learning è un campo molto vasto, e ci sono molti altri tipi di problemi e tecniche al di là della classificazione e della regressione. Problemi come il clustering, la riduzione della dimensionalità, l’apprendimento rinforzato, la generazione di testo, e molti altri, sono altrettanto importanti e presentano sfide uniche. Molti corsi avanzati e risorse più specializzate coprono anche questi argomenti meno diffusi. Quindi, se hai interesse in specifici tipi di problemi di Machine Learning, è possibile trovare risorse specializzate per soddisfare le tue esigenze.
L’algoritmo IDE3 (Iterative Dichotomiser 3) è un predecessore dell’algoritmo C4.5 e rappresenta uno dei primi algoritmi per la costruzione di alberi di decisione. Anche se C4.5 e i suoi successori sono diventati più popolari, IDE3 è comunque interessante perché ha contribuito a gettare le basi per gli alberi di decisione e per l’apprendimento automatico. Di seguito, spiegherò il funzionamento di IDE3 e come usarlo in Python.
L’algoritmo C4.5 è un algoritmo di apprendimento automatico ampiamente utilizzato per la costruzione di alberi di decisione. Gli alberi di decisione sono una forma di modello predittivo che può essere utilizzata sia per problemi di classificazione che per problemi di regressione. C4.5 è una versione migliorata dell’algoritmo ID3 (Iterative Dichotomiser 3) sviluppato da Ross Quinlan ed è stato introdotto negli anni ’90. Ecco come funziona l’algoritmo C4.5 e come utilizzarlo in Python.