Esiste un modo per convertire file py in ipynb, senza dannarsi l'anima? Da Colab basta scarica in py...

Io sto seguendo questo libro... https://pytorchstepbystep.com/ Se è interessato possiamo organizzarci x condividere lo studio (prevalentemente la sera). Se ha già fatto implementazioni anche su rpi sarebbe interessante... Io stavo pensando di fare un progetto pilota per adottare NN pytorch su un piccolo drone terrestre fatto con Raspberry... Ma credo che la parte di addestramento si possa fare con un simulatore tipo il vecchio vrep...

Ciao Andrea 🤗! Grazie per aver condiviso la tua idea di creare un gruppo di studio su PyTorch, siamo completamente d'accordo con te che sia un'ottima idea! Siamo anche disponibili ad aiutare a promuovere l'esistenza di questo gruppo. In effetti, come hai giustamente notato, ci sono pochi contenuti disponibili su PyTorch e ci siamo impegnati a colmare questa lacuna pubblicando recentemente un articolo introduttivo su PyTorch per principianti. ( https://www.intelligenzaartificialeitalia.net/post/introduzione-a-pytorch-per-principianti ) Se hai già creato un gruppo su Telegram o WhatsApp, saremmo lieti di includerlo nell'articolo, in modo che chi leggerà l'articolo possa unirsi al tuo gruppo. Ci farebbe piacere collaborare con te e aiutarti a creare una comunity attiva e motivata intorno a PyTorch. Facci sapere! 💻🤝📚

Ciao Salvatore! Sono Paolo dalla redazione di IntelligenzaArtificialeItalia.net. Ho dato un'occhiata alla tua situazione e vedo che ci sono un paio di cose che potremmo migliorare insieme per far funzionare al meglio il tuo modello di deep learning. 🚀 * Checkup iniziale: Prima di tutto, facciamo un rapido controllo sulla pulizia dei dati. Assicurati che non ci siano valori mancanti o incoerenti, specialmente nelle date convertite in timestamp. Un piccolo errore qui può rovinare tutto il dataset! * Riduci l'Overfitting: Hai notato un'accuratezza perfetta troppo presto, il che grida overfitting. Potremmo semplificare il modello. Magari inizia con meno neuroni per strato, tipo 64 e 32, e vedi come va. Aggiungi anche Dropout tra gli strati per aiutare a prevenire l'overfitting: from tensorflow.keras.layers import Dropout # Aggiungendo Dropout model.add(Dropout(0.5)) # Dove 0.5 è la frazione di input da annullare * Bilancia il Dataset: Se i tuoi dati sono sbilanciati (troppe istanze di una classe rispetto all'altra), il modello potrebbe diventare prevenuto. Usa tecniche di bilanciamento come il SMOTE o prova a pesare le classi nel tuo modello. * Validazione e Metriche: Cambia la tua metrica di successo. Oltre all'accuratezza, considera di utilizzare la precisione, il recall, e l'AUC-ROC per avere un quadro più chiaro di come il modello performa su classi diverse. * Cross-Validation: Per assicurarti che il modello sia stabile e generalizzi bene, implementa una cross-validation. Questo evita che il modello si "memorizzi" i tuoi dati di training. * Debugging e Log: Dai un'occhiata ai log di training. Se il modello ha sempre le stesse metriche ad ogni epoch, potrebbe essere un segno che non sta imparando nulla di nuovo. Potrebbe essere utile anche visualizzare i dati in input al modello proprio prima del training per assicurarsi che tutto sia in ordine. * Regolarizzazione: Considera di aggiungere una regolarizzazione L1 o L2 alle tue reti per penalizzare i pesi troppo grandi e ridurre l'overfitting: python Copia codice from tensorflow.keras.regularizers import l2 # Aggiungendo la regolarizzazione L2 model.add(Dense(64, activation='relu', kernel_regularizer=l2(0.01))) Per darci dentro, ecco un esempio di come potresti strutturare il tuo modello con queste modifiche: from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.regularizers import l2 model = Sequential([ Dense(64, activation='relu', kernel_regularizer=l2(0.001)), Dropout(0.3), Dense(32, activation='relu', kernel_regularizer=l2(0.001)), Dropout(0.3), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy', 'AUC']) Questi passaggi dovrebbero aiutarti a ottenere un modello più robusto e affidabile. Comunque senza divagarci in chiacchere, ho provato ad aggiungere io per te qualche cosetta, fammi sapere se con questo codice le cose migliorano. E' il file allegato Salvatore.txt Se hai bisogno di ulteriori dettagli o vuoi discutere altri aspetti, sono qui per aiutarti! 💪

Grazie per la risposta molto esaustiva e più che soddisfacente! Proverò a informarmi al link che mi ha fornito. La saluto.

I prompt potrebbero essere considerati come dei comandi che, funzionano in maniera diversa, in relazione al tipo di LLM utilizzato. Quindi, se io volessi far rispondere correttamente, in maniera esaustiva ad una domanda su un argomento specifico, non utilizzerei un LLM generico, ma, ad esempio un framework come Cheshire cat A.I., in quanto, potrebbe rispondere usufruendo di documentazione locale specifica, cosa che un LLM generico non potrebbe fare. Per ulteriori informazioni: https://github.com/cheshire-cat-ai

Partire da una black box, per estrarre delle previsioni direi che, se non si hanno cognizioni su chi genere l'output, è come giocare con dei pseudorandom. Come dire fare dei calcoli sulla previsione del gioco del Lotto, conoscendo quali sono state le vincite in passato. La mia domanda è quindi: sicuri che i numeri estratti debbano essere diversi da quelli estratti precedentemente? in qualsiasi caso, vi può essere una logica nascosta? < Io e il mio Team avremmo bisogno di prevedere la sequenza successiva, analizzando le sequenze precedenti.> ... escludendole? le sequenze, contengono dei dati temporali... criptografati? Su che cosa devo interpretare la frase < Ma sappiamo che è impossibile. Ma noi abbiamo trovato una "sorta" di logica.> che, per me risuona come una contraddizione logica? Io potrei dire che in questo caso, la statistica non aiuta e faccio riferimento a questo: http://progettomatematica.dm.unibo.it/Prob2/2calcolocombinatorio.html in qualsiasi caso, ma solo per ragioni tecniche, suggerisco questo: https://it.mathworks.com/discovery/lstm.html Buona fortuna.

Ciao! non sono un ssuper esperto di IA ma ho fattto diversi corsi con intelligenzaartificialeitalia.net e provo a rispondere alla tua domanda sperando di essere di aiuto. Partendo dal fatto che la tua richiesta è piuttosto complessa e richiede una soluzione avanzata di deep learning. Ecco qualche consiglio che posso fornirti alcune linee guida su come affrontare il problema utilizzando Python e librerie di deep learning come TensorFlow o PyTorch. ( Sulla base delle mie esperienze passate ) 1. Preparazione dei dati - Converti le sequenze esadecimali in array numerici per facilitare l'elaborazione. - Crea un dataset di addestramento e di test suddividendo i dati storici disponibili. - Normalizza i dati per migliorare le prestazioni del modello. ( Questo passaggio non è obbligatorio ma ti consiglio di fare dei test ) Come dicono sempre i ragazzi di IntelligenzaArtificialeItalia.net lo sviluppo di applicativi come questi è pura ricerca ! 2. Testare un Modello di sequenza - Poiché si tratta di un problema di previsione di sequenze, potresti considerare l'utilizzo di reti neurali ricorrenti (RNN) come le LSTM (Long Short-Term Memory) o le GRU (Gated Recurrent Unit). - Queste architetture sono particolarmente adatte per elaborare sequenze di dati e apprendere le dipendenze a lungo termine tra gli elementi. 3. Architettura del modello ( Complessa da stimare su due piedi, solitamente ci vogliono settimane di test ) - L'architettura potrebbe consistere in uno strato di input che accetta le sequenze di 140 insiemi di 12 valori. - Questo strato di input potrebbe essere collegato a uno o più strati LSTM o GRU per elaborare le sequenze. - L'output del modello dovrebbe essere un array di 140 valori booleani che rappresentano la previsione per la sequenza successiva. 4. Addestramento del modello - Utilizza l'algoritmo di backpropagation attraverso il tempo (BPTT) per addestrare il modello sui dati storici. - Ottimizza una funzione di perdita appropriata, come la cross-entropy binaria per le previsioni booleane. - Applica tecniche come il dropout e la regolarizzazione per evitare l ov.erfitting. Ecco un esempio di codice Python semplificato che potrebbe essere un punto di partenza: --- import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense # Preparazione dei dati X_train, y_train, X_test, y_test = prepare_data(historical_data) # Definizione del modello model = Sequential() model.add(LSTM(64, input_shape=(140, 12))) model.add(Dense(140, activation='sigmoid')) # Compilazione del modello model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # Addestramento del modello model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test)) # Previsione su nuovi dati new_sequence = np.array([[...]]) # Preparazione dei nuovi dati prediction = model.predict(new_sequence) --- Questo è solo un esempio di base e richiederà sicuramente ulteriori ottimizzazioni e personalizzazioni per adattarsi ai tuoi dati specifici e ai requisiti di prestazioni. Per aiutarti sarebbe utile avere più informazioni sul sistema e sui dati disponibili per migliorare l'accuratezza del modello. Ad esempio, se ci sono eventuali pattern noti o proprietà delle sequenze che potrebbero essere sfruttate come caratteristiche aggiuntive. Comunque il problema che hai descritto è fattibile da affrontare utilizzando tecniche di deep learning, ma richiede una comprensione approfondita dei dati e delle architetture di rete neurale appropriate. Spero di essere stato un minimo di aiuto 🙏

Buongiorno, anzitutto grazie per le risposte. Ho tentato le soluzioni proposte ma il risultato rimane comunque alto, sicuramente a causa della scarsa quantità di dati in mio possesso al momento (solo 300). L'idea di inserire i pezzi nel motore di ML è molto interessante, ma non saprei come inserirli in quanto non ho un tempo di produzione per ogni singolo articolo, ma solo dell'intero ordine. Il nostro processo è il seguente: Commessa (che contiene più ordini - tutti con lo stesso inizio) > Ordini (Inizi uguali per commessa - Fine diverse) > Articoli (Ciascuno inserito in una commessa ed appartenente ad un ordine). Vorrei creare una tabella contenente gli articoli (circa 10000) in cui sono presenti: • Orario di inizio (preso da Commessa) • Orario di fine (preso da ordine - uguale per tutti gli articoli del medesimo ordine) • Tutti i dati del singolo artcolo • Numero di commessa Però mi si pongono due problemi, ovvero: • Il numero di commessa dovrebbe essere un valore categoriale, ma trattandolo come un one_hot_encoded_data avrei 300 colonne in più e non credo siano funzionali • Posto che questo ragionamento funzioni, per fare una previsione corretta dovrei inserire nel motore di previsione tutti gli articoli che vorrei inserire in una commessa, ma come si fa a dare al motore più righe in contemporanea? Grazie a chi mi vorrà aiutare!

Sarà che sto diventando vecchio e non ho più l'intuito che serve per capire bene il contesto del discorso, ma ci sono delle cose che non mi sono chiare: se l'obbiettivo è quello di calcolare i tempi di lavorazione in base ad un ordine, ci sono dei dati che servono alla elaborazione e dei dati "etichetta", che servono solo come riferimento. I dati che sono variabili nel processo di lavoro sono, se non ho capito male: Numero e tipologia dei fogli contestuali all'ordine, che avranno dimenzioni x e y standard (lamiere) e z (spessore) variabile in relazione ai pezzi da produrre per quell'ordine. Le componenti che costituiscono le variabili inerenti il lavoro quindi sono riferibili ad una classificazione dei pezzi in relazione allo spessore. Lo spessore determina la velocità di avanzamento dell'utensile. spessori diversi = velocità diverse. La lavorazione di un pezzo dipende dalla lunghezza del perimetro di taglio e dallo spessore della lamiera. quindi, il tempo impiegato per la lavorazione, dipende dal numero di pezzi classificati, per dimensioni e per tipologia. in altre parole: lamiere tipo 1 => velocità 1v lamiere tipo 2 => velocità 2v ... pezzi tipo P1A, P1B, P1C.... P1N.. pezzi diversificati per perimetro ma appartenenti alla classe delle lamiere tipo 1 pezzi tipk P2A, P2B, P2C ... pezzi diversificati per perimetro ma appartenenti alla classe delle lamiere tipo 2 ecc. il nesting si ottiene mediante un software CAM (Computer Aided Manufacturing, produzione assistita da computer) che crea strutture nidificate ("nest") e prepara le parti per il taglio. Il nesting è il processo che consente di posizionare in modo efficiente più forme in un'area di superficie specificata. Pertanto, la soluzione migliore è la creazione di strutture di nesting per raggruppare il maggior numero possibile di parti. Questo processo massimizza l'utilizzo, diminuisce gli sprechi e riduce al minimo i costi dei materiali, quindi se noi abbiamo il percorso di nesting per un ordine riferito alle lamiere, dovremmo avere anche il tempo netto di lavorazione della macchina. Sino a qui la mia analisi è valida?

Buonasera Romeo, la sua analisi è corretta, tranne che per noi lo spessore è uno solo quindi i pezzi sono tutti all'interno delle lamiere tipo 1. Il nostro plasma fa il nesting, ma oltre al taglio ci sono molte altre lavorazioni successive che allungano i tempi di completamento dell'ordine. L'ideale sarebbe non calcolare le tempistiche non dalla commessa ma dal singolo ordine, ma non ho la minima idea di come creare un machine learning che "veda" l'ordine come un insieme di articoli, per questo ho cercato questa via. Grazie mille per il tempo che mi ha dedicato per questa risposta!