Trasformare la musica in immagini capaci di muoversi in totale autonomia in base alle note eseguite: questo è ARTificial, un insieme di tecniche di intelligenza artificiale, machine learning e grafica che è in grado di far dialogare pittura e musica in un modo unico al mondo estendendo le potenzialità dei due linguaggi. Lo spettatore viene proiettato in uno spazio latente, nascosto, di forme, colori e pattern sconosciuti che in nessun altro modo potrebbero essere percepiti. Un universo governato dai numeri, in cui la matematica, razionalità per eccellenza, perde la sua rigidità, fredda e distaccata, rivelando un insospettabile lato umano: la capacità di emozionare. Ad ispirarmi è stata la bellezza della mia terra, il Salento, durante l’osservazione dei suoi panorami,soffermandomi nell’ascoltare musica e immaginare un modo per dare forma a ciò che percepivo. Purtroppo la digital art deve ancora guadagnarsi l’accettazione e il riguardo concessi a forme d’arte storicamente consolidate come scultura, pittura e disegno, forse a causa dell’erronea impressione da parte di molti che "a farla è il computer". Ad ogni modo, gli artisti digitali dispongono di un’ampia gamma di tecniche per esprimere creativamente loro stessi. È possibile che l’accettazione generale del valore della digital art aumenterà allo stesso modo in cui è aumentata l’accettazione della musica prodotta con l’elettronica durante gli ultimi tre decenni. Arte digitale è un termine che fa immaginare qualcosa a metà tra il fisico e l’etereo, tra il realizzato e il non realizzato, tra l’antico e il nuovo, è una vasta gamma di lavori e pratiche artistiche che utilizzano la tecnologia digitale, in parte o in toto, nel loro processo di creazione. Nell’era dell’automazione si suppone ci sia un solo lavoro che algoritmi e macchine non siano in grado di fare: l’artista. Ma negli ultimi anni questa idea è stata stravolta e si è cominciato ad usare tecniche di intelligenza artificiale e machine learning per creare qualsiasi tipo di opera d’arte: musica, film, sculture, dipinti ecc, con una possibilità infinita e ancora inesplorata di combinazioni. Infatti chi crea l’algoritmo non ha alcun controllo su ciò che la macchina genererà. E’ lei a scegliere lo stile, il soggetto, la composizione, i colori e la texture. Il programmatore imposta la struttura, ma l’algoritmo è completamente al timone quando si tratta di elementi e principi dell’arte che genera. Potremmo paragonare l’arte dell’intelligenza artificiale alla fotografia. Quando la fotografia fu inventata all’inizio del ventesimo secolo, non era considerata arte, dopo tutto, una macchina stava facendo gran parte del lavoro. Gli scettici resistettero, ma alla fine cedettero: un secolo dopo, la fotografia divenne un genere artistico consolidato. Oggi le fotografie sono esposte nei musei e messe all’asta a prezzi astronomici. Non ho dubbi che l’arte prodotta dall’intelligenza artificiale seguirà la stessa strada. Per far si che, una volta generata l’immagine, si muovesse come se fosse dotata di vita propria si è ricorsi all’uso di più modelli neurali. Una volta addestrati, per quanto possano essere corretti dal punto di vista matematico non è detto che siano visivamente suggestivi: gli unici a poter dare un significato al prodotto finale sono i nostri sensi, vista, udito, e se vogliamo anche una nostra parte latente intrinseca all’essere umano che associa il movimento delle immagini alla musica, anche in modo non consapevole, cogliendone così la bellezza. Utilizzando diversi modelli si sono ottenuti effetti inaspettati. Sostituendo la rete neurale generativa con un video si è avuto un bel salto di qualità nella resa grafica. Il risultato finale auspicabile sarebbe simile a quello in figura sottostante. In conclusione possiamo affermare che in questo lavoro si è visto come sia possibile trovare un punto di collegamento, una connessione, tra arte e sviluppo di un software, mettendo in relazione due linguaggi, apparentemente separati, che l’essere umano utilizza per comunicare stati d’animo. Soprattutto si è andati oltre la semplice analisi matematica dei dati fornendo una rappresentazione degli stessi in modo innovativo, che non si limita a razionalizzare ogni singolo comportamento del codice implementato, ma che consente di stupirci ad ogni sua esecuzione. Questo perchè per quanto l’uomo si sforzi di voler comprendere ogni singola cosa e volerla controllare in modo deterministico e razionale, finisce per meravigliarsi quando compare l’inaspettato, il nuovo. L’uso di questi modelli neurali ha permesso di ignorare completamente la natura del fenomeno che si voleva manipolare: varianza, frequenza,ritmo, intenzione. L’algoritmo non sa assolutamente niente di musica, di immagini né di emozioni umane; riesce però a codificarne i pattern presenti attraverso l’uso di funzioni matematiche: una volta decisa la codifica dei parametri e delle prestazioni da controllare, sono utilizzabili per qualunque insieme di musiche o immagini. Essendo questa una versione base del software, alcune funzionalità sono limitate ma la fantasia umana non ha limiti, quindi in futuro potremmo permettere l’esecuzione del software dal vivo con un musicista, band o addirittura, perchè no, orchestre. E’ solo l’inizio di un viaggio alla scoperta di un universo tutto da esplorare. Vi lascio degli estratti di alcune simulazioni generati dal mio algoritmo qui sotto se qui sotto non vedi i video clicca qui Fatemi sapere nei commenti quale vi piace di più, e magari possibili idee per estendere le funzionalità di questo progetto. Grazie per la lettura.

Python è uno dei linguaggi di programmazione più popolari utilizzati dagli sviluppatori oggi. Guido Van Rossum lo ha creato nel 1991 e sin dal suo inizio è stato uno dei linguaggi più utilizzati insieme a C++, Java, ecc. Nel nostro tentativo di identificare quale sia il miglior linguaggio di programmazione per l'intelligenza artificiale e la rete neurale, Python ha preso un grande vantaggio. Caratteristiche e vantaggi di Python per l'intelligenza artificiale Python è un linguaggio interpretato che in parole povere significa che non ha bisogno di essere compilato in istruzioni in linguaggio macchina prima dell'esecuzione e può essere utilizzato direttamente dallo sviluppatore per eseguire il programma. Ciò lo rende abbastanza completo da consentire l'interpretazione del linguaggio da parte di un emulatore o di una macchina virtuale oltre al linguaggio macchina nativo, che è ciò che l'hardware comprende. È un linguaggio di programmazione di alto livello e può essere utilizzato per scenari complicati. I linguaggi di alto livello trattano variabili, array, oggetti, complesse espressioni aritmetiche o booleane e altri concetti astratti di informatica per renderlo più completo, aumentando così in modo esponenziale la sua usabilità. Python è anche un linguaggio di programmazione generico, il che significa che può essere utilizzato in più domini e tecnologie. Python dispone anche di un sistema di tipi dinamici e di una gestione automatica della memoria che supporta un'ampia varietà di paradigmi di programmazione, inclusi quelli orientati agli oggetti, imperativi, funzionali e procedurali, per citarne alcuni. Python è disponibile per tutti i sistemi operativi e ha anche un'offerta open source intitolata CPython che sta ottenendo una popolarità diffusa. Diamo ora un'occhiata a come l'uso di Python per l'intelligenza Artificiale ci offre un vantaggio rispetto ad altri linguaggi di programmazione popolari. Intelligenza Artificiale e Python Perché? L'ovvia domanda che dobbiamo affrontare a questo punto è perché dovremmo scegliere Python per l'intelligenza artificiale rispetto ad altri . Python offre maggior risultato con minor codice, infatti è stimato che serva solo 1/5 del codice per eseguire stesse operazioni rispetto ad altri linguaggi OOP. Non c'è da stupirsi che sia uno dei più popolari oggi sul mercato. Python ha librerie predefinite come Numpy per il calcolo scientifico, Scipy per il calcolo avanzato e Pybrain per l'apprendimento automatico (Python Machine Learning) che lo rendono uno dei migliori linguaggi per l'intelligenza artificiale. Gli sviluppatori Python di tutto il mondo forniscono supporto e assistenza completi tramite forum e tutorial, rendendo il lavoro del programmatore più semplice di qualsiasi altro linguaggio popolare. Python è indipendente dalla piattaforma ed è quindi una delle scelte più flessibili e popolari per l'utilizzo su diverse piattaforme e tecnologie con il minimo ritocco nella codifica di base. Python è il più flessibile di tutti gli altri con opzioni per scegliere tra l'approccio OOP e lo scripting. Puoi anche utilizzare l'IDE stesso per verificare la maggior parte dei codici ed è un vantaggio per gli sviluppatori alle prese con algoritmi diversi. Python insieme all'intelligenza Artificiale Python insieme a pacchetti come NumPy, scikit-learn, iPython Notebook e matplotlib costituiscono la base per avviare il tuo progetto di intelligenza artificiale. NumPy viene utilizzato come contenitore per dati generici comprendenti un oggetto array N-dimensionale, strumenti per l'integrazione di codice C/C++, trasformata di Fourier, capacità di numeri casuali e altre funzioni. Un'altra libreria utile è pandas, una libreria open source che fornisce agli utenti strutture dati di facile utilizzo e strumenti analitici per Python. Matplotlib è un altro servizio che è una libreria di plottaggio 2D che crea figure di qualità di pubblicazione. È possibile utilizzare matplotlib fino a 6 toolkit di interfaccia utente grafica, server di applicazioni Web e script Python. Il tuo prossimo passo sarà esplorare il clustering di k-means e anche raccogliere conoscenze su alberi decisionali, previsione numerica continua, regressione logistica, ecc. Alcune delle librerie AI Python più comunemente utilizzate sono AIMA, pyDatalog, SimpleAI, EasyAi, ecc. Esistono anche librerie Python per l'apprendimento automatico come PyBrain, MDP, scikit, PyML. Diamo un'occhiata un po' più in dettaglio alle varie librerie Python nell'IA e perché questo linguaggio di programmazione viene utilizzato per l'IA. Librerie Python per l' Intelligenza Artificiale AIMA – Implementazione in Python di algoritmi da "Artificial Intelligence: A Modern Approach" di Russell e Norvig. pyDatalog – Motore di programmazione logica in Python SimpleAI – Implementazione in Python di molti degli algoritmi di intelligenza artificiale descritti nel libro “Artificial Intelligence, a Modern Approach”. Si concentra sulla fornitura di una libreria facile da usare, ben documentata e testata. EasyAI – Semplice motore Python per giochi a due giocatori con AI (Negamax, tabelle di trasposizione, risoluzione di giochi). Python per l' Apprendimento Automatico (ML) Diamo un'occhiata al motivo per cui Python viene utilizzato per l'apprendimento automatico e le varie librerie che offre allo scopo. PyBrain : un algoritmo flessibile, semplice ma efficace per le attività di machine learning . È anche una libreria modulare di Machine Learning per Python che fornisce una varietà di ambienti predefiniti per testare e confrontare algoritmi. PyML – Un framework bilaterale scritto in Python che si concentra su SVM e altri metodi del kernel. È supportato su Linux e Mac OS X. Scikit-learn – Scikit-learn è uno strumento efficiente per l'analisi dei dati durante l'utilizzo di Python. È open source e la libreria di machine learning generica più popolare. MDP-Toolkit – Un altro framework di elaborazione dati Python che può essere facilmente ampliato, ha anche una raccolta di algoritmi di apprendimento supervisionati e non supervisionati e altre unità di elaborazione dati che possono essere combinate in sequenze di elaborazione dati e architetture di rete feed-forward più complesse. L'implementazione di nuovi algoritmi è facile ed intuitiva. La base di algoritmi disponibili è in costante aumento e include metodi di elaborazione del segnale (analisi dei componenti principali, analisi dei componenti indipendenti e analisi delle caratteristiche lente), metodi di apprendimento multipli ([Hessian] Locally Linear Embedding), diversi classificatori, metodi probabilistici (analisi fattoriale, RBM ), metodi di pre-trattamento dei dati e molti altri. Librerie Python per il linguaggio naturale e l'elaborazione del testo NLTK – Moduli Python open source, dati linguistici e documentazione per ricerca e sviluppo nell'elaborazione del linguaggio naturale e analisi del testo con distribuzioni per Windows, Mac OSX e Linux. Python contro altri linguaggi popolari Vediamo ora dove si trova Python con un altro linguaggio informatico per l'intelligenza artificiale come C++ e Java. Python contro C++ per l'intelligenza Artificiale Python è un linguaggio più popolare rispetto a C++ per l'intelligenza artificiale e guida con un voto del 57% tra gli sviluppatori. Questo perché Python è facile da imparare e implementare. Con le sue numerose librerie, possono essere utilizzati anche per l'analisi dei dati. Per quanto riguarda le prestazioni, il C++ supera Python. Questo perché C++ ha il vantaggio di essere un linguaggio tipizzato staticamente e quindi non ci sono errori di digitazione durante il runtime. C++ crea anche codice runtime più compatto e veloce. Python è un linguaggio dinamico (al contrario di statico) e riduce la complessità quando si tratta di collaborare, il che significa che è possibile implementare funzionalità con meno codice. A differenza di C++, dove tutti i compilatori significativi tendono a eseguire ottimizzazioni specifiche e possono essere specifici della piattaforma, il codice Python può essere eseguito praticamente su qualsiasi piattaforma senza perdere tempo su configurazioni specifiche. Con l'aumento delle capacità di offerta di elaborazione accelerata da GPU per il parallelismo che ha portato alla creazione di librerie come CUDA Python e cuDNN, Python ha il vantaggio su C++. Ciò significa che una parte sempre maggiore del calcolo effettivo per i carichi di lavoro di machine learning viene scaricato sulle GPU e il risultato è che qualsiasi vantaggio prestazionale che il C++ può avere sta diventando sempre più irrilevante. Python vince su C++ per quanto riguarda la semplicità del codice, specialmente tra i nuovi sviluppatori. Il C++ essendo un linguaggio di livello inferiore richiede più esperienza e abilità da padroneggiare. La semplice sintassi di Python consente anche un processo ETL (Estrai, Trasforma, Carica) più naturale e intuitivo e significa che è più veloce per lo sviluppo rispetto a C++, consentendo agli sviluppatori di testare algoritmi di apprendimento automatico senza doverli implementare rapidamente. Tra C++ e Python, quest'ultimo ha più margine ed è più adatto per l'IA. Con la sua semplice sintassi e leggibilità che promuovono il test rapido di complessi algoritmi di apprendimento automatico e una fiorente comunità supportata da strumenti collaborativi come Jupyter Notebooks e Google Colab, Python vince la corona. Usare Java per programmare IA Per capire come programmare l'intelligenza artificiale in Java, è essenziale sapere dove si trova rispetto a Python. Java è un linguaggio compilato mentre Python è un linguaggio interpretato. Le due lingue sono anche scritte in modo diverso. Una struttura in Java è racchiusa tra parentesi graffe. Python usa il rientro per eseguire le stesse attività. Java è anche più lento dal punto di vista delle prestazioni e per lo sviluppo di applicazioni di fascia alta in AI, Python è più preferito dagli sviluppatori. Java Artificial Intelligence Library è la risposta di Java a Python, ma è ancora meno accessibile agli sviluppatori per evidenti ragioni. L'approccio moderno all'IA di Java Norvig Russell ha spianato la strada a molti per sedersi e notare perché potrebbe essere il linguaggio migliore per una rete neurale. Piccolo Caso Studio È stato condotto un esperimento per utilizzare l'intelligenza artificiale con un Internet of Things per creare un'applicazione IoT per l'analisi comportamentale dei dipendenti. Il software fornisce feedback utili ai dipendenti attraverso le emozioni dei dipendenti e l'analisi del comportamento, migliorando così i cambiamenti positivi nella gestione e nelle abitudini di lavoro. Utilizzando le librerie di apprendimento automatico Python, opencv e haarcascading per la formazione delle applicazioni, è stato creato un POC di esempio per rilevare emozioni di base come felicità, rabbia, tristezza, disgusto, sospetto, disprezzo, sarcasmo e sorpresa attraverso telecamere wireless collegate in vari punti della baia. I dati raccolti sono stati inviati a un database di cloud computing centralizzato in cui è possibile recuperare il quoziente emotivo giornaliero all'interno della baia o anche l'intero ufficio con un clic di un pulsante tramite un dispositivo Android o desktop. Gli sviluppatori stanno facendo progressi graduali nell'analisi di ulteriori punti complessi sulle emozioni facciali e estrae maggiori dettagli con l'aiuto di algoritmi di deep learning e apprendimento automatico che possono aiutare ad analizzare le prestazioni dei singoli dipendenti e supportare il corretto feedback dei dipendenti/team. Conclusione Python svolge un ruolo fondamentale nel linguaggio di codifica AI fornendogli buoni framework come scikit-learn: machine learning in Python, che soddisfa quasi tutte le esigenze in questo campo e D3.js – Data-Driven Documents in JS, che è uno dei strumenti di visualizzazione più potenti e facili da usare. Oltre ai framework, la sua rapida prototipazione lo rende un linguaggio importante da non ignorare. L'intelligenza artificiale ha bisogno di molte ricerche, e quindi è necessario non richiedere un codice standard di 500 KB in Java per testare una nuova ipotesi, che non porterà mai a termine il progetto. In Python, quasi ogni idea può essere rapidamente convalidata attraverso 20-30 righe di codice (lo stesso per JS con librerie). Pertanto, è un linguaggio piuttosto utile per il bene dell'intelligenza artificiale. Quindi è abbastanza evidente che Python è il miglior linguaggio di programmazione per l'intelligenza Artificiale. Oltre ad essere il miglior linguaggio per l'intelligenza artificiale, Python è utile per molti altri obiettivi.

Quando Google utilizza l'Intelligenza Artificiale ? Ogni volta che cerchi qualcosa su Google, l'intelligenza artificiale lavora dietro le quinte per generare risposte alla tua query. Come si chiama l'Intelligenza Artificiale di Google ? Un sistema di deep learning chiamato RankBrain ha cambiato il modo in cui funziona il motore di ricerca. In molti casi, RankBrain gestisce le query di ricerca meglio delle tradizionali regole algoritmiche che sono state codificate a mano da ingegneri umani e Google ha capito molto tempo fa che l'intelligenza artificiale è il futuro della loro piattaforma di ricerca. L'intelligenza artificiale cercherà di capire esattamente cosa stiamo cercando e quindi ci fornirà risultati personalizzati, in base a ciò che sa di noi. Potresti non rendertene conto, ma l'intelligenza artificiale è già profondamente integrata in molti dei prodotti Google che stai utilizzando oggi. Ecco alcuni esempi: "Ehi, Google..." Google Assistant è un assistente vocale basato sull'intelligenza artificiale per smartphone, dispositivi domestici intelligenti, auto, televisori e dispositivi indossabili. Proprio come altri assistenti virtuali, l'Assistente Google può gestire il tuo calendario, controllare il meteo, riprodurre la tua musica preferita e trovare ristoranti nelle vicinanze per soddisfare le tue voglie culinarie. Gran parte della tecnologia degli assistenti virtuali dipende dalla capacità dell'assistente di capire cosa stai dicendo, quindi Google sta utilizzando l'apprendimento automatico per ridurre i singhiozzi linguistici che possono essere frustranti per gli utenti. Ad esempio, il tuo Assistente Google può imparare a pronunciare con precisione i nomi dei tuoi contatti senza dover registrare la tua voce. L'intelligenza artificiale aiuta anche l'assistente a comprendere il contesto ed elaborare le parole in relazione a tutte le altre parole in una frase, in modo che possa rispondere con una precisione quasi del 100% a cose come comandi di sveglia e timer. L'intelligenza artificiale e l'apprendimento automatico stanno anche aiutando Google a migliorare la qualità delle tue conversazioni che puoi avere con il tuo fidato compagno. L'Assistente Google utilizza le tue interazioni precedenti per comprendere il contesto e rispondere con domande di follow-up appropriate, in modo da poter avere conversazioni più naturali, avanti e indietro. Google Maps e la sua Intelligenza Artificiale ? Anche la navigazione è stata trasformata dall'intelligenza artificiale. Utilizzando i dati sulla posizione storica e le query di ricerca recenti, la modalità di guida di Google Maps anticipa già la tua destinazione e ti aiuta a raggiungerla utilizzando il percorso più veloce possibile. Di recente, Google ha annunciato che sta lanciando una nuova serie di aggiornamenti basati sull'intelligenza artificiale per Google Maps, tra cui Live View, una funzionalità che integra la realtà aumentata per aiutare le persone ad andare nella giusta direzione. Questa funzione utilizza miliardi di immagini di Street View per capire dove ti trovi in ​​relazione agli edifici e ai punti di riferimento intorno a te, così può indicarti la strada giusta. Molto presto, Google sarà anche in grado di aiutarti a ridurre l' impronta di carbonio fornendo indicazioni più rispettose dell'ambiente in base alla congestione stradale e alla pendenza o mostrandoti come raggiungere la tua destinazione in bicicletta o utilizzando i mezzi pubblici. Quali sono le prossime Intelligenze Artificiali di Google? Google ha recentemente annunciato che il suo sistema di rilevamento dei terremoti basato su Android sarà ora disponibile in Nuova Zelanda e Grecia. Google utilizza l'intelligenza artificiale per analizzare le onde generate dai terremoti, quindi invia avvisi agli utenti nelle aree colpite. Il sistema è stato originariamente lanciato in California ed è attualmente disponibile anche in Oregon e Washington negli Stati Uniti Tutti i telefoni Android sono dotati di sensori di movimento del suolo che possono fungere da "mini sismometri" in grado di rilevare quando stanno per verificarsi i terremoti e avvisare le persone della zona, dando loro il tempo di mettersi al riparo. Mettere l'intelligenza artificiale al centro di Google Google afferma: “La nostra missione è organizzare le informazioni mondiali e renderle universalmente accessibili e utili. L'intelligenza artificiale ci sta aiutando a farlo in modi nuovi ed entusiasmanti, risolvendo i problemi per i nostri utenti, i nostri clienti e il mondo". Nella nostra vita di tutti i giorni, i prodotti Google basati sull'intelligenza artificiale ci rendono più facile fare cose come cercare foto e trovare gli orari dei nostri ristoranti preferiti e Google continuerà a utilizzare l'intelligenza artificiale per rimanere all'avanguardia della tecnologia odierna. Commenta sotto l'articolo i tuoi pareri su google e le sue Intelligenze Artificiali, grazie per la lettura

Cosa è la visualizzazione dei dati ? La visualizzazione dei dati è la rappresentazione grafica di informazioni e dati. Grazie a elementi visivi come diagrammi, grafici e mappe, gli strumenti per la visualizzazione dei dati creano una soluzione accessibile per osservare e comprendere tendenze, valori anomali e ricorrenze presenti nei dati. Nel mondo dei big data, gli strumenti e le tecnologie per la visualizzazione dei dati sono indispensabili per analizzare enormi quantità di informazioni e prendere decisioni basate sui dati. I vantaggi e i benefici di un'efficace visualizzazione dei dati Il nostro sguardo è attratto dai colori e dalle ricorrenze. Possiamo distinguere rapidamente il rosso dal blu, i quadrati dai cerchi. La nostra cultura è di tipo visivo da tutti i punti di vista: dall'arte alla pubblicità, dalla TV al cinema. La visualizzazione dei dati è un'altra forma di arte visiva che attira la nostra attenzione e mantiene il nostro sguardo sul messaggio. Quando vediamo un diagramma sappiamo individuare rapidamente le tendenze e i valori anomali. Quando vediamo una cosa, la interiorizziamo rapidamente. È una sorta di narrazione con uno scopo preciso. Se ti è capitato di osservare un enorme foglio di dati senza riuscire a individuare una tendenza, potrai apprezzare ancor di più l'efficacia di una visualizzazione. I Big Data e l'accesso sempre crescente che abbiamo a più informazioni sono la forza trainante dell'intelligenza artificiale e l'ondata di cambiamento tecnologico che sta investendo tutti i settori. Ma tutti i dati del mondo sono inutili – anzi possono diventare una responsabilità – se non riesci a capirli. La visualizzazione dei dati riguarda il modo in cui presentare i tuoi dati alle persone giuste, al momento giusto, per consentire loro di ottenere informazioni in modo più efficace. I migliori Strumenti Di Visualizzazione Dati Fortunatamente le soluzioni di visualizzazione si stanno evolvendo rapidamente come il resto dello stack tecnologico. Grafici, video, infografiche e all'avanguardia anche presentazioni in realtà virtuale e realtà aumentata (VR & AR) offrono canali di comunicazione sempre più coinvolgenti e intuitivi. Ecco la nostra carrellata di alcuni dei migliori, più popolari o più innovativi strumenti di visualizzazione dei dati disponibili oggi. Questi sono tutti a pagamento (anche se tutti offrono prove gratuite o licenze per uso personale). Visualizzazione Dati Con tableau Tableau è spesso considerato il grande maestro dei software di visualizzazione dei dati e per una buona ragione. Tableau ha una base clienti molto ampia di oltre 57.000 account in molti settori grazie alla sua semplicità d'uso e alla capacità di produrre visualizzazioni interattive ben oltre quelle fornite dalle soluzioni di BI generali. È particolarmente adatto per gestire gli enormi set di dati in rapida evoluzione utilizzati nelle operazioni di Big Data, comprese le applicazioni di intelligenza artificiale e di apprendimento automatico, grazie all'integrazione con un gran numero di soluzioni di database avanzate tra cui Hadoop, Amazon AWS, My SQL , SAP e Teradata. Sono state effettuate ricerche e test approfonditi per consentire a Tableau di creare grafici e visualizzazioni nel modo più efficiente possibile e renderli facili da capire per gli umani. Visualizzazione Dati Con QlikSense Qlik con il suo strumento QlikSense è l'altro attore principale in questo spazio e il più grande concorrente di Tableau. Il fornitore ha oltre 40.000 account cliente in oltre 100 paesi e coloro che lo utilizzano spesso citano la sua configurazione altamente personalizzabile e l'ampia gamma di funzionalità come un vantaggio chiave. Tuttavia, ciò può significare che ci vuole più tempo per affrontarlo e usarlo al massimo delle sue potenzialità. Oltre alle funzionalità di visualizzazione e esplorazione dei dati, Qlik offre potenti funzionalità di business intelligence, analisi e reporting aziendale e mi piace particolarmente l'interfaccia utente pulita e ordinata. C'è anche una forte comunità e ci sono molte risorse di terze parti disponibili online per aiutare i nuovi utenti a capire come integrarlo nei loro progetti. Visualizzazione Dati Con Microsoft Power BI Microsoft compete fortemente anche in questo spazio con il suo strumento Power BI. Power BI è una potente suite di strumenti di analisi aziendale con ottime capacità di visualizzazione dei dati. Un grande vantaggio offerto da Power BI è l'interfaccia utente intuitiva con cui gli utenti di qualsiasi prodotto Microsoft avranno familiarità. Power BI include anche un ampio ecosistema di supporto e una miriade di origini dati supportate. In termini di visualizzazione dei dati, Power BI offre un'ampia gamma di formati standard di visualizzazione dei dati che chiunque si aspetterebbe, nonché la possibilità di creare visualizzazioni personalizzate e definite dall'utente, nonché sofisticate mappe 3D. Infine, ha un prezzo molto competitivo. Visualizzazione Dati Con FusionChart Si tratta di un pacchetto di grafici e visualizzazione molto diffuso, basato su JavaScript, che si è affermato come uno dei leader nel mercato a pagamento. Può produrre 90 diversi tipi di grafici e si integra con un gran numero di piattaforme e framework offrendo una grande flessibilità. Una caratteristica che ha contribuito a rendere FusionCharts molto popolare è che invece di dover iniziare ogni nuova visualizzazione da zero, gli utenti possono scegliere tra una gamma di modelli di esempio "live", semplicemente collegando le proprie origini dati secondo necessità. Visualizzazione Dati Con Highchart Come FusionCharts, anche questo richiede una licenza per uso commerciale, sebbene possa essere utilizzato liberamente come prova, non commerciale o per uso personale. Il suo sito Web afferma che è utilizzato da 72 delle 100 più grandi aziende del mondo ed è spesso scelto quando è necessario implementare una soluzione rapida e flessibile, con una minima necessità di formazione specialistica sulla visualizzazione dei dati prima che possa essere messa in funzione. Una chiave del suo successo è stata la sua attenzione al supporto cross-browser, il che significa che chiunque può visualizzare ed eseguire le sue visualizzazioni interattive, il che non è sempre vero con le piattaforme più recenti. Visualizzazione Dati Con Datawrapper Datawrapper sta diventando sempre più una scelta popolare, in particolare tra le organizzazioni dei media che lo utilizzano frequentemente per creare grafici e presentare statistiche. Ha un'interfaccia semplice e chiara che semplifica il caricamento dei dati CSV e la creazione di grafici e mappe semplici che possono essere rapidamente incorporati nei report. Visualizzazione Dati Con Plotly Plotly consente visualizzazioni più complesse e sofisticate, grazie alla sua integrazione con linguaggi di programmazione orientati all'analisi come Python, R e Matlab. È basato sulle librerie di visualizzazione open source d3.js per JavaScript, ma questo pacchetto commerciale (con una licenza gratuita non commerciale disponibile) aggiunge livelli di facilità d'uso e supporto, nonché supporto integrato per API come Salesforce. Visualizzazione Dati Con Sisense Sisense fornisce una piattaforma di analisi dello stack completo, ma le sue capacità di visualizzazione forniscono un'interfaccia di trascinamento della selezione semplice da usare che consente di creare grafici e grafici più complessi, nonché visualizzazioni interattive, con il minimo sforzo. Consente di raccogliere più fonti di dati in un unico repository facilmente accessibile in cui è possibile eseguire query istantaneamente tramite dashboard, anche su set di grandi dimensioni. I dashboard possono quindi essere condivisi tra le organizzazioni garantendo che anche il personale non tecnico possa trovare le risposte di cui ha bisogno ai propri problemi. Aggiorneremo questo elenco almeno su base annuale, quindi facci sapere se conosci qualche altro strumento che vorresti includere qui.

Sapevi che esistono due forme di intelligenza artificiale? L'intelligenza artificiale (AI) debole o ristretta è ciò che incontriamo quotidianamente oggi. L'IA forte o generale è la fase successiva in cui le macchine possono pensare come gli umani senza essere programmate dagli umani. Impara le differenze tra AI debole e forte. Sebbene l'intelligenza artificiale (AI) fosse una volta un concetto difficile da toccare con mano, la maggior parte delle persone oggi utilizza l'intelligenza artificiale nella loro vita quotidiana. Dagli assistenti personali digitali come Alexa e Google Home alle indicazioni stradali e ai consigli, l'intelligenza artificiale non è più un'idea vista solo nei libri e nei film di fantascienza. Sebbene la maggior parte delle persone capisca l'IA, è quando le macchine completano funzioni di livello superiore come riconoscere il parlato e prendere decisioni come possono fare gli umani, ma non tutti potrebbero capire che esiste una distinzione tra AI debole e AI forte. Quindi, diamo un'occhiata alle differenze tra debole, nota anche come AI stretta, e AI forte o generale. Che cosa è l'Intelligenza Artificiale Debole ? L'intelligenza artificiale che ora vediamo nella nostra vita quotidiana è ciò che chiamiamo debole (IA stretta). In realtà è l'unica intelligenza artificiale che esiste oggi. Si chiama debole perché ha funzionalità limitate. Gli algoritmi di intelligenza artificiale sono costruiti per svolgere compiti specifici piuttosto che possedere capacità cognitive complete come il cervello umano. L'intelligenza artificiale debole dimostra che il comportamento intelligente può essere modellato. Esempi di AI debole includono Siri, Alexa e la ricerca di Google. L'IA debole è in azione quando può esserci una risposta programmata, ad esempio quando l'IA esegue un programma di scacchi. Questi algoritmi elaboreranno i dati per trovare cose che conoscono e quindi classificheranno in base all'addestramento/programmazione. Non possono deviare dal percorso programmato. L'intelligenza artificiale debole ha cambiato molti aspetti del business e il nostro stile di vita personale essendo in grado di risolvere o completare attività molto più velocemente o meglio di quanto possano fare gli umani. È ciò che alimenta i chatbot e i motori di raccomandazione sui servizi di streaming. L'IA debole può anche scoprire modelli nei volumi di dati per aiutare a diagnosticare malattie e sviluppare trattamenti. Finora è stata sicuramente una tecnologia trasformativa. Che cosa è l'Intelligenza Artificiale Forte ? L'intelligenza artificiale forte o generale a questo punto è solo teorica. È quando le macchine sviluppano la coscienza e il processo decisionale alla pari (o meglio) degli umani. Quando viene raggiunta una forte intelligenza artificiale, le macchine non faranno affidamento sulla programmazione umana per essere in grado di pensare o svolgere compiti. Questa è l'intelligenza artificiale immaginata nelle storie di fantascienza come "I-Robot" e "The Terminator". Inoltre, le macchine con una forte intelligenza artificiale saranno in grado di mostrare autocoscienza ed emozioni. In definitiva, l'obiettivo con l'IA generale è una macchina con intelligenza in vera forma umana. Confronto tra AI debole e AI forte Quando vuoi distinguere tra i tipi di intelligenza artificiale, è bene guardare cosa può fare la tecnologia. Semplicemente, se la tecnologia è brava in azioni specifiche, è un'intelligenza artificiale debole. Se opera come un essere umano e non è obbligato a completare un compito specifico, è una forte intelligenza artificiale. Ecco alcuni altri modi per distinguere tra Intelligenza Artificiale debole e Forte-Generale: Differenze tra Intelligenza Artificiale Debole e Intelligenza Artificiale Forte ? Definizione. . . L'intelligenza artificiale debole tenta di imitare il comportamento umano intelligente, che consente alle macchine di risolvere problemi complessi imparando da esempi o serie storiche. L'intelligenza artificiale generale è attualmente ipotetica, ma quando o se sarà realizzata, le macchine avranno capacità cognitive umane complete. Scopo. . . L'IA debole è programmata per operare all'interno di una serie di funzioni predefinite implementate da menti UMANE attraverso la programmazione. L'IA forte avrà una mente propria per essere in grado di svolgere qualsiasi tipo di compito che la sua "mente" possa immaginare. Consapevolezza. . . L'intelligenza artificiale debole non raggiunge la consapevolezza di sé. L'IA forte sarà abbastanza avanzata a essere considerata veramente intelligente e pienamente consapevole di sé. Elaborazione dati. . . L'intelligenza artificiale ristretta classifica i dati. L'IA generale utilizza il clustering e l'associazione. Una volta (se mai) l'intelligenza artificiale arriva al punto in cui le macchine possono pensare e svolgere processi decisionali e compiti senza il coinvolgimento umano, sarà designata come IA generale o forte. Fino ad allora, l'intelligenza artificiale debole, gli algoritmi programmati per dare alle macchine la capacità di aiutarci a completare le attività in modo più rapido ed efficace, continueranno a trasformare il modo in cui viviamo, lavoriamo e giochiamo. E una volta raggiunta una forte intelligenza artificiale, la prossima pietra miliare sarà la super intelligenza artificiale. Super AI è quando le macchine superano l'intelligenza umana. Immagina una macchina che batte l'intelligenza umana in tutte le materie, dalla scienza e la matematica alla lingua, alla letteratura e alle arti creative. Questo è il livello che alimenta la preoccupazione che le macchine possano essere in grado di rovesciare la razza umana. Fortunatamente, la super intelligenza artificiale è interamente speculazione a questo punto. Non c'è alcuna garanzia quando e anche se una forte IA, figuriamoci una super IA, sarà possibile. Si spera che, se arriviamo al punto della super intelligenza artificiale, ci saranno misure di salvaguardia per evitare le terribili previsioni condivise nei film e nella letteratura sul futuro in cui le macchine ci governano.

Quando ho iniziato con l'apprendimento automatico, avevo molta confusione. La mia confusione non era nulla di tecnico, ma il modo in cui le parole sono state usate durante il mio viaggio verso l'apprendimento automatico. Queste aree si stanno evolvendo rapidamente e la definizione che trovi qui oggi potrebbe essere diversa da quella che troverai domani, quindi non dimenticare di stare al passo con la crescita della tecnologia. Cos'è l'intelligenza artificiale o Artificial Intelligence? Prima di approfondire il significato specifico dell'intelligenza artificiale, avevo l'idea che l'intelligenza artificiale (AI) riguardasse i robot che conquistano il mondo essendo in grado di fare le stesse cose che noi, in quanto umani, potremmo fare. Anche se questo fa parte della verità, non è esattamente ciò che riguarda l'intelligenza artificiale. Come sappiamo, mezza verità è quasi nessuna verità. La parola intelligenza secondo il dizionario Merriam-webster è "la capacità di apprendere o comprendere o di affrontare situazioni nuove o difficili" È anche definito come l'uso esperto della ragione e la capacità di applicare la conoscenza per manipolare il proprio ambiente o pensare in modo astratto misurato da criteri oggettivi (come i test). L'intelligenza artificiale (AI) è quindi, basata sull'idea della capacità di una macchina o di un programma per computer di pensare (ragionare), capire e imparare come gli esseri umani. Dalla definizione di intelligenza, possiamo anche dire che l'intelligenza artificiale è lo studio della possibilità di creare macchine in grado di applicare la conoscenza ricevuta dai dati nella manipolazione dell'ambiente. Quindi Riassumendo e prendendosi il rischio di definire l'intelligenza artificiale in due righe : L'intelligenza artificiale riproduce l'intelligenza umana nelle macchine, in particolare nei sistemi informatici attraverso l'apprendimento, il ragionamento e l'autocorrezione. Esempio di intelligenza artificiale nella vita reale: Se sei mio amico e capisco che ami i film d'azione, ti consiglierei dei film d'azione, in base a quello che so di te. Questa è l'intelligenza umana. Anche le macchine sono diventate in grado di farlo, se guardi una particolare categoria di film su Netflix, ad esempio, Netflix inizia a suggerirti film, in base al tuo modello di visione. Com'è possibile? Intelligenza artificiale. Questo è un esempio molto generico sull'intelligenza artificiale. Che cos'è l'apprendimento automatico o Machine Learning ? L'intelligenza artificiale è molto vasta. L'apprendimento automatico (ML) è un sottoinsieme dell'intelligenza artificiale. Ricordi la definizione di intelligenza vista nel paragrafo precedente? Dicevamo che attraverso l'apprendimento le macchine ... Ed è qui che entra in gioco ML. L'apprendimento automatico (ML) è un insieme di strumenti statistici per apprendere dai dati. Il nucleo del machine learning sta nell'insegnare ai computer come apprendere e fare previsioni dai dati senza essere necessariamente programmati. Esempio di vita reale di Machine Learning: Riceviamo tutti messaggi di spam. Questi sono sempre filtrati da Gmail, ad esempio. Inoltre, le e-mail sono classificate come promozioni e social, nonché altre categorie in base al servizio di posta utilizzato. Come ha imparato Gmail a farlo? Apprendimento automatico! Non dimenticare che il machine learning fa parte dell'IA. Nel tempo, il servizio è stato in grado di apprendere la categoria in cui potrebbe rientrare un'e-mail. Può essere sbagliato a volte, ma continua a imparare. Che cos'è l'apprendimento profondo o Deep Learning? Nell'apprendimento automatico, i dati passano principalmente attraverso algoritmi che eseguono trasformazioni lineari su di essi per produrre output. Il deep learning è un sottoinsieme del machine learning in cui i dati passano attraverso un numero multiplo di trasformazioni non lineari per ottenere un output. "Profondo" si riferisce a molti layer in questo caso. L'output di un layer è l'input per un altro layer, e questo viene fatto continuamente per ottenere un output finale. Tutti questi layer non sono lineari spesso. Un esempio di trasformazione non lineare è una trasformazione di matrice. L'apprendimento profondo è talvolta chiamato reti neurali profonde (DNN) perché utilizza reti neurali artificiali multistrato per implementare l'apprendimento profondo. Hai visto una foto di un neurone del cervello umano? Le reti neurali artificiali sono costruite in modo simile, con nodi neurali connessi come una rete. Gli algoritmi di deep learning richiedono macchine molto potenti ed è molto utile per rilevare pattern dai dati di input. ( ad esempio riconoscere oggetti nelle foto o video ) Un'applicazione di Deep Learning: Hai mai sentito parlare di WaveNet e Deep Speech? Entrambe sono reti di Deep Learning che generano automaticamente la voce umana dando in input solo un testo. Con il deep learning, i sistemi stanno imparando a imitare le voci umane al punto che è difficile distinguere tra una voce umana e una voce sintetizzata. Il Deep Learning ci avvicina a dare ai computer la capacità di parlare come gli umani. Ricorda Il deep learning è un sottoinsieme di ML che è un sottoinsieme di AI, quindi è AI. Che cos'è la scienza dei dati? La scienza dei dati ha un'intersezione con l'intelligenza artificiale ma non è un sottoinsieme dell'intelligenza artificiale. La scienza dei dati è lo studio di una curiosità suscitata in un dato campo, l'estrazione di dati da una grande fonte di dati relativi alla domanda in mente, l'elaborazione di dati, l'analisi e la visualizzazione di questi dati, in modo da dargli un significato per l'IT e strategie aziendali. In parole povere, è capire e dare un senso ai dati. Nella scienza dei dati vengono utilizzati molti strumenti. Includono strumenti statistici, probabilistici, algebra lineare e metrica, ottimizzazione numerica e programmazione. Un'applicazione della scienza dei dati: Scegliamo un concetto a caso: la sponsorizzazione. In che modo le persone ottengono una sponsorizzazione per una causa. Chi di solito è disposto a rispondere a un'e-mail di richiesta di sponsor. Quali parole chiave cercano nelle e-mail di richiesta di sponsorizzazione? preferirebbero una telefonata? In questo caso, la scienza dei dati può aiutare. Un pool di dati relativi a tutti coloro che hanno sponsorizzato una causa, al motivo per cui l'hanno sponsorizzata, alle loro preferenze in termini di canali di comunicazione ecc. Viene estratto un ampio insieme di dati non strutturati. I dati vengono elaborati, analizzati e visualizzati utilizzando i vari strumenti. Le conclusioni sono tratte da questi dati. Queste informazioni possono aiutare le organizzazioni non profit e le persone che perseguono una causa a cercare sponsor. La scienza dei dati non è completamente intelligenza artificiale, tuttavia parti della scienza dei dati si intersecano con l'intelligenza artificiale. Quando si arriva al punto, una cosa è comune a queste parole d'ordine: DATI! Grazie mille per aver letto tutto l'articolo, condividilo con i tuoi colleghi per evitare gaf durante i meeting 😊

Questa Spiegazione è appartenente ad una Serie di Articoli. Prima di iniziare a leggere ti consigliamo di guardare gli articoli precedenti : Lo Strumento "mente" Il servomeccanismo mentale Gli Engrammi : Le Immagini della Mente Che cosa è un concetto Gli stati Attenzionali Le funzioni attenzionali Il concetto di variabile La sovrapposizione degli effetti La Curiosità Le attività percettive La cognizione La concentrazione Un altro argomento interessantissimo da trattare con la sovrapposizione degli effetti è la funzione "intelligenza" in quanto si tratta del motore mentale che più ci appartiene come esseri viventi. Nei precedenti articoli abbiamo accennato al processo costitutivo della teorizzazione affermando ipoteticamente che fosse data come prodotto dell’interconnessione fra la volontà e l’immaginazione nel contesto attenzionale dell’informazione e abbiamo assunto che tale processo preveda una ripresa correlativa fra i vari correlati che compongono i costrutti presi in esame dal sistema, ora pensiamo alla definizione di intelligenza nel senso classico del termine e si potrebbe affermare che l’intelligenza è l’insieme delle capacità che rendono possibile il comprendere e risolvere situazioni nuove o problemi, in vista dell’adattamento individuale, in altri termini potremmo indicare l’intelligenza come la capacità di porre dei rapporti fra i costrutti che costituiscono una particolare situazione e di individuarne le correlazioni intrinseche, quanto di più facile alla luce di questa affermazione ipotizzare che se consideriamo la derivata della teorizzazione formulata rispetto ad un campo informazionale otterremo proprio l’intelligenza? Per analogia si pensi un attimo alla concezione fisica della potenza espressa proprio come derivata prima dell’energia rispetto al tempo e si trasporti questa forma mentale nell’intendere il concetto di intelligenza, assumendo proprio la teorizzazione come "energia" e l’intelligenza come "potenza". Per capire ancor meglio questa funzione particolare ed importantissima del nostro servomeccanismo mentale possiamo fare degli esempi applicativi; immaginiamo dunque di avere a disposizione dodici palline colorate uguali, ma una di queste ha il peso diverso dalle altre, ora noi fruendo di una bilancia comparativa dovremmo essere in grado di individuare la pallina "falsa" con sole tre pesate. La situazione è quella riprodotta dal disegno: Prima di continuare la lettura dovreste sforzarvi di prendere un pezzo di carta ed una penna e tentare di risolvere questo problemino dall'apparenza così ingenua. Vediamo ora di analizzare la situazione concettualizzando le informazioni e per fare questo partiamo dall'associazione del numero delle palline con le stesse, ovvero, il primo concetto che noi possiamo avere in mente come continuo informazionale è questo:”12-palline”, il secondo concetto è dato dal “numero delle pesate”, mentre il terzo deve essere costituito dalle operazioni elementari che può fare la bilancia che abbiamo a disposizione, dovremmo dunque ipotizzare le risposte che ci può dare questo strumento qualora fosse messo in azione; per fare questa operazione dobbiamo creare delle congetture, delle ipotesi di lavoro. La base di una qualsiasi congettura parte da un concetto funzione elementare che noi indichiamo solitamente con la particella (locuzione) "se" e corrisponde ad un particolare modo di predisporre il funzionamento del nostro sistema mentale che consiste nell'attivare tramite l'immaginazione dei “processi inferenziali”, creando una sequenza di informazioni indotte ed endogene, delle vere e proprie operazioni di trasformazione e di trasposizione informazionale, dandoci la possibilità di far entrare in azione le funzioni di “astrazione” o “teorizzazione”, in altri termini, cosa succede SE pensiamo a che cosa corrisponde l'azione di mettere due pesi uguali sui piatti della bilancia, il “continuo informazionale” che corrisponde a questa azione verrà preso come "soggetto", ovvero la prima "parte" dell'operazione, la seconda "parte" dell'operazione sarà quella di osservare SE si sono ottenute delle variazioni di stato ed anche questo costituirà un “continuo informazionale” che verrà preso come "oggetto", abbiamo già visto precedentemente che un embrione di ragionamento è costituito da due concetti "dato", uno preso come soggetto e l'altro come oggetto che vengono messi in relazione fra loro tramite un concetto funzione elementare, abbiamo anche visto che rallentando il processo di percezione, la funzione principale è data dalla riparametrazione simmetrica che consiste nell’avere come base del sistema controreazionato la funzione ’B(i)="uguale"’, anche in questo caso la correlazione di base è la stessa e viene soddisfatta la riparametrazione simmetrica fra il soggetto e l’oggetto, ovvero, potremmo ipotizzare che non vi saranno variazioni del segnale di simmetria ’e(i)’, dobbiamo pensare però che stiamo analizzando le operazioni tramite delle macrofunzioni mentali e quindi siamo ancora lontani dal verificare la composizione di questi processi in funzioni elementari, ma proseguiamo nel percorso cambiando la controreazione del sistema da "uguale" a "diverso", equivale a dire sostanzialmente che la nostra attenzione viene eccitata da una variazione, (che probabilmente passa per “equivalente” e poi per “simile”) e poi, come succedeva nel punto di congiuntura del segmento raffigurante la coda con il rettangolo raffigurante il corpo del logotipo di quadrupede, a quel punto, finiva per legare assieme le due parti costituenti l’embrione di pensiero, vi sarà una ripresa attenzionale sul soggetto che si trasformerà in un nuovo concetto funzione: il concetto di "causa" e di “conseguenza”, l’oggetto si trasformerà nel concetto di "effetto". Ora, fermiamoci un attimo e osserviamo una cosa importante, abbiamo legato assieme in questa parte di ragionamento alcuni concetti partendo dal presupposto che alla base di tutte le operazioni vi sia la presenza di un “continuo informazionale”, vediamo un po’ meglio di che cosa si tratta: l’osservazione di una regione spaziale a colore uniforme o di una linea, costituisce un “continuo informazionale” di carattere percettivo dove il segnale che noi riceviamo tramite l’apparato visivo è costante, la stessa cosa dicasi se sentiamo una nota costante o tocchiamo una superficie uniformemente liscia, ma pensiamo a due note che si susseguono nel tempo o ad una superficie uniformemente ruvida, potremmo ancora considerarli dei continui informazionali, basti pensare alla ripresa attenzionale che origina il processo di costituzione di causa-effetto; per capire quanto sopra basti osservare questa semplice sequenza di lettere: SOSOSOSOSOSOCECECECECECECE Sono due continui informazionali che si possono scomporre in altri continui informazionali, alla base di tutto ritroviamo ripercorrendo il processo a ritroso i concetti di causa-effetto, di soggetto-oggetto e di parte, ma tutte queste funzioni hanno in comune la simmetria attenzionale, ovvero i concetti elementari di "uguale", “equivalente”, “simile”, "diverso". Riprendiamo il nostro percorso e facciamo ancora qualche passo in avanti, arriviamo a dire che la bilancia dovrebbe pendere da una parte o dall’altra e da qui il passo per fornire altri due concetti complementari è facile, introduciamo infatti i concetti di "maggiore" e "minore" che sono delle funzioni elementari chiamate in causa dal processo di comparametrazione, noi diciamo semplicemente che il peso è maggiore dove il piatto della bilancia si avvicina al suo supporto, in realtà il processo che svolge la nostra mente è assai complesso per stabilire quale continuo informazionale debba entrare come maggiore e quale invece come minore, si tratta in effetti di dover stabilire una relazione con un altro continuo informazionale e controllare tramite delle operazioni matematiche quali sono le corrispondenze del sistema in esame, nel caso della percezione semplice è anche facile stabilire ad esempio quale sia la più grande di due regioni spaziali o quale sia la maggiore fra distanze di oggetti da un punto di osservazione, la cosa pero‘ si complica già quando dobbiamo far riferimento all’intercorrere del tempo fra degli avvenimenti, figuriamoci poi quando si tratta di stabilire relazioni con grandezze fisiche come il peso in questo caso. Sta di fatto comunque che si tratta soltanto di mettere in relazione due cose con un continuo informazionale, stabilire semplicemente quanto più questo sia presente in una o nell’altra e il tutto rientra ancora una volta nell’ambito della simmetria, ovvero “ricercare qualche cosa di uguale che tenga legate assieme attenzionalmente due cose diverse”. Ora ci ritroviamo con tre complessi di informazioni che possono servirci da trampolino per ulteriori ragionamenti, per esempio, abbiamo da una parte il continuo dato dal concetto delle dodici palline e dall’altra quello delle operazioni che può svolgere la bilancia, il passo che genera la prima correlazione fra i due è quello che stabilisce il fatto che se noi dividiamo le dodici palline in due parti uguali e le mettiamo sulla bilancia, questa penderà “sicuramente” da una parte o dall’altra, però non ci fornirà altre indicazioni e se prendiamo questa procedura come causa, l’effetto sarà quello di dichiarare come indefinibile la posizione della pallina che pesa diversamente dalle altre con la prima pesata, per deduzione quindi, avendo soltanto due gruppi di palline da mettere in relazione, dovremmo assumere come inutile questa procedura. L’altra correlazione che si può fare è dividere ulteriormente il numero delle palline in “parti uguali” e se consideriamo il “numero delle pesate” si potrebbe ipotizzare di “dividere le dodici palline in tre parti”, otterremo così un nuovo continuo che sarà dato dai tre gruppi di palline, d'altro canto se considerassimo divisioni ulteriori, dovremmo dividere le dodici palline quattro o in sei parti parti e questo porterebbe ad avere un numero superiore di gruppi da controllare rispetto al numero delle pesate che possiamo effettuare, quindi dobbiamo per forza scartare queste ipotesi! La conseguenza logica di questa correlazione ci porta a considerare come unica soluzione da applicare, quella di effettuare una prima pesata con due dei tre gruppi di palline e a questo punto si possono verificare due casi: o i due gruppi hanno lo stesso peso, oppure avendo pesi diversi la bilancia si inclinerà da una o dall'altra parte. Supponiamo di verificare il caso che i gruppi hanno lo stesso peso, dovremmo dedurre che la pallina falsa è sul gruppo che non abbiamo pesato. Il fatto che abbiamo pesato i due gruppi che non contenevano la pallina da ricercare ci indica che è vero che la pallina si trova sul terzo gruppo, dobbiamo allora vedere come si può effettuare la seconda pesata, se supponiamo di dividere il terzo gruppo di palline in due, torneremmo alla conclusione fatta precedentemente che la pesata è inutile in quanto non ci potrà che fornire una sola risposta, inclinandosi da una o dall'altra parte, ma non ci fornirà nessuna indicazione su quale dei due gruppi di due palline ci sia quella falsa. A questo punto bisogna decidere quali e quante palline mettere in relazione con la seconda pesata, ovviamente se confrontiamo il gruppo intero con uno dei due già pesati otterremo la risposta sul tipo di peso della pallina, ossia saremmo in grado di capire se pesa più o meno delle altre, ma poi ci resta una sola pesata per identificarla fra tutte e quattro, il che non è possibile! Se pensiamo di confrontarne due per volta con due di uno dei gruppi già pesati, potremmo trovarci nel caso che effettivamente la pesata ci sia favorevole per l'identificazione della pallina falsa, ossia quando si ottenga che le due palline prese dal terzo gruppo e confrontate con le altre, risultino più pesanti o più leggere e allora con l'ultima pesata, confrontando una di queste due palline con una qualsiasi delle rimanenti si arriverebbe con certezza alla identificazione, ma nel caso che la seconda pesata risulti uguale, allora il procedimento non ha più la possibilità di poter determinare la pallina falsa in quanto sicuramente sarà una delle due che non sono state pesate, ma con la terza pesata non riusciremmo a stabilire con certezza quale delle due sia quella falsa. Ecco allora che ci balena in testa l'idea di pesarne tre del terzo gruppo con le tre palline di uno dei due gruppi già pesati, può succedere che la seconda pesata risulti uguale e allora basterà pesare la pallina esclusa con una qualsiasi delle altre per identificare se questa pesa di più o di meno, altrimenti la seconda pesata ci indicherà che una delle tre palline del terzo gruppo peserà di più o di meno delle altre e con l'ultima pesata, avremmo ancora due alternative una, sbagliata, come si evince dal diagramma sotto esposto, è quella di mettere al confronto due palline del gruppo noto, con le due del gruppo da pesare, in quanto nel caso la terza pesata risultasse essere diverso il peso tra “A1+A2” e “C1+C2”… sarebbe impossibile determinare se quella con il peso diverso sia “C1” oppure “C2”. Ed una giusta che consiste nel confrontare due di queste palline, (togliendone una dal piatto destro e una dal piatto sinistro). Potremmo stabilire così se è quella esclusa oppure quale delle due è quella falsa a seconda che la bilancia dia la risposta di uguale, nel caso fosse quella esclusa, di diverso nel caso la pallina che si sposta di piatto sia quella falsa o di costante nel caso che la pallina falsa sia quella che rimane nel piatto dov’era nella seconda pesata. Come si potrà notare, questa forma rappresentativa del processo di risoluzione del problema, mette in evidenza con uno “schema a blocchi” e dei simboli matematici le varie relazioni che si possono stabilire fra i fattori che costituiscono il sistema imposto dalla metodologia teorico-deduttiva di ragionamento che la nostra mente assume per trovare il percorso logico che ci porta al raggiungimento del “fine prefissato”, conformemente al “sistema teleologico” Potremmo a questo punto pensare che, ancor prima che un ragionamento o un qualsiasi pensiero si possano trasformare in linguaggio, questi siano costituiti da dei processi di “costituzioni relazionali” fra dei “continui informazionali” e le relazioni stesse, di carattere matematico. Questa ipotesi ci porterebbe a farne di conseguenza un’altra e cioè che il nostro organismo, tramite la possibilità sensoriale, riceve costantemente dei segnali energetici di vario genere che tendono a produrre delle trasformazioni biofisiche e quindi biochimiche di determinate strutture, in particolare le strutture del sistema nervoso e del sistema cerebrale, quindi esiste sicuramente una stretta interconnessione fra i segnali che noi riusciamo a percepire, le trasformazioni energetiche indotte o endogene che danno vita all’attività mentale e il linguaggio, va ricordato in proposito che se si tratta di stabilire delle relazioni fra dei “segnali energetici”, l’unico mezzo che abbiamo a disposizione è proprio dato dalle nostre possibilità di comparazione che si esprimono in parole o in simboli matematici con "uguale" o "diverso", da cui se si possono stabilire delle relazioni nel caso della diversità di due percepiti, tramite uno o dei continui informazionali , si passerà a "minore" o "maggiore", "simile", “equivalente” ecc. Il lettore che si è impegnato a risolvere questo caso da solo, ponendo attenzione alle proprie attività cerebrali, dovrebbe essersi accorto che subentra una nuova forma di potenzialità intellettiva che deriva dalla attività che la mente svolge al di sotto del livello di consapevolezza e che definirei come "intuito", questo fatto ci farebbe capire che le facoltà intellettive sono frutto non solo dell’applicazione attenzionale volontaria, ma anche dell’attività mentale che si svolge per così dire “istintivamente”, infatti il presupposto di partenza era appunto quello di identificare l’intelligenza come la "derivata" della teorizzazione formulata genericamente rispetto ad un campo informazionale , ossia un insieme di continui informazionali correlati tra loro, preso in considerazione per la risoluzione di un problema, ipotizzando inoltre che la teorizzazione fosse il prodotto dell’interconnessione dei processi di "controllo" e di "trasformazione" delle informazioni dovuti alla immaginazione e alla volontà, (nota: perché?→ perché!), nel contesto attenzionale. Coloro che si sono cimentati nella costituzione correlativa del sistema per la risoluzione di questa parte del problema sapranno certamente che la difficoltà maggiore consiste nella strutturazione della seconda pesata, poiché questa è fatta in funzione della terza, magari ci sono arrivati dopo molteplici fallimenti, quindi per esclusione di processi correlativi, alcuni avranno indubbiamente rinunciato alla fatica di inventare dei metodi di risoluzione, altri ci possono essere arrivati invece con facilità. Dobbiamo notare che la costituzione metodo logica della terza pesata è difficilmente deduttiva in quanto prevede tre possibili situazioni: una uguaglianza, una diversità ripetuta oppure una diversità variata, per questo sopra accennavo al fatto che alcuni avrebbero scoperto il metodo in modo intuitivo, dove i processi correlazionali sono dovuti all’attività dell’immaginazione che agisce al di sotto del livello di consapevolezza. Adesso invece mi sembra opportuno spendere due righe per identificare in che cosa consiste il processo deduttivo di ragionamento, si tratta in sostanza di stabilire se un continuo informazionale è vero o falso. In termini pratici dovremmo partire come base di riferimento dalla relazione causa-effetto, ipotizzando una causa noi ipotizziamo anche l’effetto relativo, qualora si faccia una comparametrazione fra due continui informazionali rispetto ad un terzo inteso come causa, dovremmo stabilire che uno dei due è falso, l’identificazione di quello vero fa assumere automaticamente l’altro come falso e per fare questo dovremmo verificare con una ulteriore comparametrazione le relazioni esistenti fra i continui informazionali in esame, basti per il momento pensare al fatto che si tratta ancora una volta di stabilire delle uguaglianze fra le relazioni. Per capire meglio questo modo di procedere della nostra mente, si pensi per esempio alla proposizione: "Il girasole è rosso", questa proposizione di per sé, può anche essere considerata come vera fintantoché non si faccia una seconda proposizione del tipo: "Le primule sono gialle", ora, se compariamo le due proposizioni potremmo assumere che una delle due è falsa in quanto il continuo informazionale dato dalla percezione del colore non corrisponde nei due casi alla relativa descrizione in quanto abbiamo una uguaglianza percepita ed invece una diversità descritta, questa comparazione implica che la funzione di causa sia proprio la percezione e l’effetto sia la sensazione che deriva da questo processo. Per stabilire quale delle due proposizioni sia quella falsa noi dovremmo ricercare una nuova comparametrazione correlando una sensazione uguale ad una delle due prese in esame attenzionalmente, per esempio la affermazione: "la rosa è gialla", ammesso che dia la stessa sensazione della primula e del girasole, ci dà la possibilità di stabilire che la prima proposizione è falsa, chi ha seguito questo ragionamento rallentando le proprie funzioni mentali dovrebbe accorgersi che qualora una proposizione viene assunta come "vera" la nostra attenzione è eccitata come quando si dice "ecco", quello che noi sentiamo è proprio il richiamo attenzionale alla causa. Potremmo considerare a questo punto la “deduzione” come un concetto funzione applicandola alla scatola nera "A(i)", come un vero e proprio motore che ci permette di passare da una serie di informazioni assunte come un continuo informazionale preso come causa ad uno preso come effetto, per poi ricondurre questo ad un nuovo concetto di causa e stabilire un nuovo effetto. Ma che cosa ci permette di creare le correlazioni in questi casi se non la “teorizzazione”? Proviamo per un attimo a pensare di ripercorrere il problema a ritroso, partendo cioè dalla costituzione dell’ultima pesata, quante ipotesi di impostazione del problema potremmo costruire, infinite, basti pensare di variare il numero delle pesate a disposizione o il numero delle palline, questo ci indica che se fosse possibile definire un livello logico di campi informazionali, quello relativo alla risoluzione finale di un problema ha sicuramente un livello logico inferiore a quello di impostazione, il percorso che si effettua passando da uno all’altro dei livelli logici viene stabilito tramite delle correlazioni di informazioni, di carattere deduttivo qualora si passi dalla impostazione del problema alla sua risoluzione tramite un processo inferenziale di causa-effetto, oppure di carattere induttivo qualora si passi, con una procedura inferenziale inversa, dagli effetti alle cause che li hanno provocati, potremmo allora definire l’intelligenza proprio come la possibilità di effettuare il passaggio dal livello logico di impostazione di un problema relativamente ai campi di informazione che lo costituiscono al livello logico della risoluzione dello stesso col minimo di correlazioni necessarie. Da quanto sopra esposto è ipotizzabile che l’intelligenza di tipo “intuitivo”, dovuta quindi ai processi correlativi che si svolgono al di sotto del livello di consapevolezza, si manifesti in modo più esplicito quando il processo di risoluzione di un problema implichi un’attività mentale di tipo “induttivo” in quanto si deve passare da strutturazioni informative aventi dei livelli logici inferiori in rapporto ai livelli logici dei campi informazionali che supportano la risoluzione stessa del problema, in altre parole, il passare dalla concezione di effetto alla causa che lo ha provocato non sempre comporta una certezza di correlazioni appropriate, si hanno soltanto delle probabilità di ripercorrere a ritroso, quindi entalpicamente dal punto di vista informativo, i processi di evoluzione. Ma facciamo un altro esempio tanto per rilassare la mente, con un problemino abbastanza simpatico, anche se per certi versi poco di moda. Cera una volta una piccolissima isola molto lontana dal resto del mondo, dove gli abitanti vivevano felici e contenti, però avevano un grosso problema di carattere possessivo: le persone sposate non potevano sopportare l’idea che i relativi partners potessero “tradirli” e renderli "cornuti" e questo pesava sulla comunità al punto tale che vi era una legge molto severa che vietava in maniera categorica di far qualsiasi allusione al fatto, né con parole né in qualsiasi altro modo. Gli abitanti di quest’isola avevano inoltre una tradizione che veniva sempre rispettata: ogni sera si riunivano tutti quanti in un luogo dove si vedevano e parlavano tra loro. Una brutta sera però, mentre erano in riunione, venne un mago burlone, che dopo aver formulato delle parole magiche disse: da questo momento a tutti coloro che sono stati fatti "cornuti" spunteranno i corni in testa, ma chi li ha non se li potrà vedere in alcun modo, mentre tutti vedranno i corni degli altri. Inoltre, disse il mago, coloro che capiranno di essere cornuti nel pieno rispetto delle leggi che vi siete imposti e quindi senza accennare in alcun modo al fatto, avranno salva la vita purché scappino dall’isola all’alba del giorno dopo che lo hanno scoperto, altrimenti tutti coloro che trasgrediranno le leggi moriranno all’istante. Dette queste parole il mago aggiunse: tornerò ancora, per sciogliere l'incantesimo, quando scoprirete quanti cornuti ci sono, così capirete finalmente che il sesso non è tutto nella vita! A quelle parole tutti si spaventarono, passarono sette giorni difficili, ma all'alba dell'ottavo giorno tutti i cornuti dell'isola lasciarono quel posto e nessuno degli abitanti morì! La stessa sera ritornò il mago e vedendo che nessuno era morto e non c’erano più cornuti, fu costretto a sciogliere l’incantesimo, gli abitanti che restarono abolirono in quella riunione la legge famosa e il mago, stupito, chiese loro come avevano fatto a sfuggire ai suoi sortilegi. Quello che si deve scoprire è quanti cornuti c’erano sull’isola e come avevano fatto a capire la loro condizione? Questo nel pieno rispetto dei termini imposti dal problema, mettendosi nelle stesse condizioni di quei poveri malcapitati. Tengo a precisare che non serve ipotizzare nessun tipo di comunicazione per ottenere la risoluzione del problema, il ragionamento da fare è squisitamente soggettivo. Ora si sospenda per un attimo la lettura e si cerchi di dare una risposta alla prima domanda. E‘ molto facile che accada che la risposta sia immediatamente quella giusta in quanto la nostra mente associa intuitivamente una costante ad ogni giorno ossia il numero delle riunioni, in altre parole si viene a creare un continuo informazionale inteso come causa, al quale sempre con la facoltà di stabilire delle uguaglianze fra dei continui informazionali e correlando in modo diretto la causa all’effetto si arriva a stabilire che i cornuti erano sette. Invece è probabile che riesca molto più difficile stabilire il metodo di ragionamento necessario per poter capire come abbiano fatto quelle persone a capire di essere cornuti soltanto usufruendo di una riflessione inferenziale. In effetti ogni abitante sposato dell’isola non poteva in alcun modo informarsi e sapere se era o meno un potenziale cornuto però poteva contare quanti cornuti vedeva durante la famosa riunione serale. Quindi, fin dalla prima sera ogni abitante dell’isola "cornuto" poteva contare sei altri "cornuti", mentre coloro che non lo erano ne vedevano sette. Allora il ragionamento che si può fare è questo: se io fossi "cornuto" vedrei il numero dei "cornuti" meno uno, altrimenti se io non lo fossi vedrei effettivamente il numero dei "cornuti" che ci sono. Quindi se effettivamente i cornuti fossero sei, ognuno di loro ne vedrebbe cinque e soltanto alla sesta sera, sapendo che nessuno era partito all’alba, il sesto si accorgerebbe di essere cornuto, perciò all’alba del settimo giorno dovrebbero partire tutti, ma se i cornuti sono sette e io ne ho contati solo sei allora significa che anch’io sono cornuto e allora partiremmo all’alba dell’ottavo giorno. In effetti si pensi a questo, se il cornuto era una sola persona, allora la prima sera non ne avrebbe visti altri e quindi sarebbe dovuta andarsene al mattino dopo. Se le persone cornute fossero state due, la prima sera ognuna di loro avrebbe visto una sola persona con i corni e quindi se alla seconda sera la situazione rimaneva immutata allora capivano entrambe di essere nelle stesse condizioni e sarebbero partite all'alba del terzo giorno,così se le persone fossero state tre, sarebbero partite all'alba del quarto giorno dopo aver fatto la triste scoperta contemporaneamente alla riunione del terzo giorno, ecc. In definitiva, il ragionamento viene condotto con un metodo inferenziale che prevede questa logica: SE è vero che T è il numero dei cornuti, ALLORA in T riunioni questi lo saprebbero, ALTRIMENTI, T èil numero dei cornuti meno uno e ALLORA servirebbero T più una riunione per sapere la verità; ovviamente T rappresenta il numero di cornuti che ogni persona vede. In un linguaggio estremamente stereotipato, come potrebbe essere quello adottato dalle macrofunzioni dei sistemi di programmazione dei computers potremmo ulteriormente tradurre quanto espresso sopra con la formula: SE T=NC ALLORA T=NR,ALTRIMENTI T=NC-1,ALLORA NR=NR+ Grazie mille per la lettura, nel prossimo articolo, l'ultimo di questa prima serie 😞, andremo a parlare del Sistema Inferenziale, di Passato,presente e futuro...

Ad oggi sappiamo, e non è un segreto, che l'intero mondo dell'intelligenza artificiale è interamente basato sulla presenza di una grande quantità di dati. Grazie a tutti questi dati possiamo costruire modelli predittivi😲 ma vediamo meglio quale è il punto di partenza per poter arrivare a tali modelli. Prima di iniziare la spiegazione sul dataset ci tengo a farti notare una differenza molto sottile ma molto importante : la differenza tra Informazione e dato Per farti vedere graficamente questa differenza ti invito a pensare alla foto di un cane, ora immagina che questa foto sia la nostra informazione, dalla quale siamo in grado processandola di estrapolare dati utili ad esempio: il colore del pelo, la sua altezza, la sua razza e molte altre caratteristiche. Quindi, facendo un passo indietro, i dati (intesi come bit che viaggiano come schegge dentro il nostro computer) sono la nostra informazione elaborata in modo da poterci permettere di trarre dati importanti che la singola informazione nascondeva. Il dataset è un insieme di dati strutturati ( ad esempio una tabella ) creato per essere letto ed elaborato da un algoritmo. Solitamente questo insieme di dati è molto vasto, alcuni set di dati è stato stimato che non sarebbero leggibili nemmeno in un intera vita umana, come ad esempio ( tutti i post su Instagram/Facebook ) E' possibile creare il proprio dataset ? Quali sono gli strumenti ? Ne esistono di già pronti per esercitarsi ? Certo che è possibile creare il proprio dataset, lo puoi fare sfruttando più tecniche : Creazione Manuale : utilizzando software come Excel è possibile giorno dopo giorno creare delle tabelle contenenti dati strutturati. Creazione Semi-Automatica : utilizzando un motore di database puoi creare la tua base di dati, dove anche qui potrai inserire giorno per giorno nuovi dati Creazione Automatica : sempre con l'utilizzo dei database e un applicazione web è possibile creare moduli di raccolta dati per utenti che quando interagiranno verranno automaticamente salvati. Esistono molti strumenti per la creazione e gestione di dataset e la scelta può variare per migliorarne l'efficienza, te ne cito qui qualcuno sia per utilizzo locale sia in cloud: Excel LibreOffice (foglio di calcolo) Sas Azure Google Cloud Platform e motli altri E' anche possibile trovare molti dataset già pronti e confezionati pronti all'uso. Questi dataset sono di ogni genere e categoria, potrai trovare sicuramente qualcosa che si adatta al tuo progetto. Tra i migliori siti la mia top 3 è : Kaggle Google Amazon Dopo aver visto cosa è un Dataset e a cosa serve vediamo ora una raccolta di Dati Pubblici Italiani pronti per essere scaricati Dataset Agricoltura, pesca, silvicoltura e prodotti alimentari In questo tema rientra tutto ciò che riguarda il settore agricoltura, pesca, politiche forestali e alimentari. Ministero delle politiche agricole alimentari e forestali Pesca Marittima Dataset Istruzione cultura e sport In questo tema rientra tutto ciò che riguarda la cultura, il turismo, l’istruzione e le attività sportive, eventi culturali e locali. Beni culturali: Il MiBACT ha avviato vari progetti di pubblicazione di dataset in formato linked open data e open data: Thesaurus Reperti Archeologici Luoghi della cultura Eventi culturali Anagrafe delle biblioteche italiane Archivi di Stato MIUR - Portale unico dei dati della scuola Ambito Scuola Anagrafiche scuole Studenti Personale scuola Edilizia scolastica Sistema nazionale di valutazione Scuola Secondaria Ambito PON Dataset Ambiente In questo tema rientra tutto ciò che riguarda l’ambiente (rifiuti, consumo del suolo, oceani, ecc.) e il clima/meteo. ISPRA: I Linked Open Data dell’Istituto Superiore per la Protezione e la Ricerca Ambientale. CdS - Il consumo di suolo in Italia MAIS - Mosaicature Nazionali ISPRA pericolosità frane alluvioni ReNDiS - Il Repertorio Nazionale degli interventi per la Difesa del Suolo RMN - La Rete Mareografica Nazionale RON - Rete Ondametrica Nazionale Dataset Salute In questo tema rientra tutto ciò che concerne le attività sulla salute e tutto ciò che riguarda gli animali. INAIL - Infortuni: Sono pubblicati dati "elementari", per singolo infortunio. INAIL - Malattie Professionali: Sono pubblicati dati "elementari", per singolo caso di malattia professionale. FARMACIE: Elenco delle farmacie italiane Dispositivi Medici: Elenco aggiornato con cadenza settimanale dei dispositivi medici registrati presso la banca dati e il Repertorio del Ministero della Salute. Agenzia Italiana del Farmaco (AIFA): diversi dataset con info sui farmaci Vaccini anti COVID-19: il repository contiene i dati in formato aperto relativi ai vaccini anti COVID-19 Dataset Giustizia, sistema giuridico e sicurezza pubblica In questo tema rientra tutto ciò che riguarda le frodi, i crimini, la giustizia, le norme. Rientra anche tutto ciò che riguarda la difesa e gli aspetti legati alle attività del ministero dell’interno. Elezioni: Ministero dell'Interno - Dip. Affari interni e territoriali/Dati Elettoriali. Dataset Regioni e città In questo tema rientra tutto ciò che riguarda le strade urbane e i numeri civici. Il tema ha una forte sovrapposizione con ambiente perché potrebbe anche contenere tutto ciò che concerne la geografia del territorio (e.g., montagne, laghi, fiumi, ecc.). Estratti OpenStreetMap: In questo sito web sono a disposizione per il download libero e gratuito estratti del database OpenStreetMap ritagliati per Regione e Comune italiani. I dati sono aggiornati quotidianamente per tutti i formati disponibili. Dataset Trasporti ACI - Automobile Club d'Italia: pubblicazioni statistiche relative al fenomeno della motorizzazione nel suo complesso: parco veicoli e tendenze di mercato, incidentalità; archivio annuari sulla circolazione e le tendenze del mercato. Carburanti - Prezzi praticati e anagrafica degli impianti: I dataset, scaricabili in questa sezione in forma attualmente sperimentale, contengono le informazioni relative agli impianti e ai prezzi praticati dei carburanti. Patenti di Guida: Il dataset contiene l'elenco delle patenti di guida attive, ossia delle autorizzazioni amministrative alla guida di autoveicoli e motoveicoli, provenienti dall'archivio nazionale abilitati alla guida su strada gestito dalla Motorizzazione. Parco Circolante dei veicoli: Parco circolante dei veicoli su strada ( categorie Autoveicoli e Motoveicoli ) diviso per regione estratto dall'archivio nazionale dei veicoli gestito dalla Motorizzazione. Dataset Governo e settore pubblico In questo tema rientra tutto ciò che riguarda le politiche di governo, gli affari istituzionali, la trasparenza del settore pubblico (dati relativi ad amministrazione trasparente). Agenzia Demanio: Banca dati degli immobili di proprietà statale. Cantieri Scuole: Fonti dei principali dataset impiegati per la costruzione ed il funzionamento dell'applicazione CantieriScuole.it di #italiasicura.scuole. Banca dati Servizio Contratti Pubblici - SCP - Ministero trasporti: Il Dataset contiene gli avvisi, i bandi e gli esiti di gara in formato aperto raccolti dalla Banca dati SCP - Servizio Contratti Pubblici gestita dalla Direzione Generale per la regolazione e i contratti pubblici del Ministero delle Infrastrutture e Trasporti. Catasto rifiuti: Il Centro Nazionale per il ciclo dei rifiuti di ISPRA effettua annualmente il monitoraggio dei costi sostenuti dai comuni per la gestione dei rifiuti urbani e assimilati. Tali dati sono pubblicati nel Rapporto annuale sui Rifiuti Urbani. MISE: Aiuti di Stato OPENBDAP: Il portale della RGS che mette a disposizione i dati della Finanza Pubblica. OPENCOESIONE: Dati collegati alle politiche di coesione. Progetto menzionato nella sezione dedicata. SIOPE: dati sulle rilevazione telematica degli incassi e dei pagamenti effettuati dai tesorieri di tutte le amministrazioni pubbliche, che nasce dalla collaborazione tra la Ragioneria Generale dello Stato, la Banca d'Italia e l'ISTAT. Per ulteriori informazioni sulla strategia nazionale di open data consulta il portale nazionale dati.gov.it. Dataset Casi d'uso della Pubblica Amministrazione #ItaliaSicura: Presidenza del Consiglio dei Ministri Struttura di missione per il coordinamento e l'impulso nell'attuazione degli interventi di riqualificazione dell'edilizia scolastica. OPENCANTIERI: A che punto di realizzazione è un’opera pubblica. Per quale importo è stata finanziata, quanto sta effettivamente costando, se e perché ritarda, quanti giorni di lavoro vi sono stati effettivamente dedicati. OPENCIVITAS: Il Portale di accesso alle informazioni degli Enti Locali, un’iniziativa di trasparenza promossa dal Dipartimento delle Finanze e dalla SOSE. Conosci, confronta, valuta gli Enti Locali. OPENCUP: Open CUP mette a disposizione di tutti - cittadini, istituzioni ed altri enti - i dati, in formato aperto, sulle decisioni di investimento pubblico finanziate con fondi pubblici nazionali, comunitari o regionali o con risorse private registrate con il Codice Unico di Progetto. Open RE.G.I.O: Agenzia Nazionale per l'amministrazione e la destinazione dei beni sequestrati e confiscati alla criminalità organizzata. OPENTRASPORTI: Una piattaforma per la raccolta dati e l’offerta di servizi digitali a supporto del trasporto, abilitando la filiera co-modale integrata dalla pianificazione del viaggio fino alle destinazioni finali, con una ricaduta positiva non solo nel settore dei trasporti, ma anche sul sistema Italia nel suo complesso (turismo, cultura, servizi diversi). L’obiettivo è quello di creare un hub nazionale dei dati dell’infomobilità per lo sviluppo di servizi avanzati al viaggiatore. OPENDEMANIO: Iniziativa di open government sulle informazioni gestite dall’Agenzia del Demanio. Urban Index - Indicatori per le Politiche Urbane: Strumenti utili alla definizione e valutazione delle politiche pubbliche nelle aree urbane e nella convinzione che tali strumenti possano anche rivelarsi utili nella definizione dei contenuti di un’Agenda Urbana Nazionale. Presidenza del Consiglio dei Ministri - Dipartimento per la Programmazione e il Coordinamento della Politica Economica. Letture consigliate per "Cosa è un Dataset e a cosa serve" Come Generare dataset con python e scikit-learn Come Analizzare Un Dataset in Solo 5 Passaggi Dove trovare i migliori Dataset per esercitarsi con il Machine learning Come Creare Un Dataset per il tuo Progetto Di Machine Learning Dataset per Esercitarsi nella Data Science e Data Visualizzation Manipolazione Dati con Python e Pandas Come utilizza Google l'intelligenza artificiale? Prerequisiti per le carriere di Intelligenza Artificiale Grazie per aver letto Cosa è un Dataset e a cosa serve

L'intelligenza artificiale è una delle scoperte più significative del 21° secolo. Esperti di diversi settori studiano le sue capacità e scoprono nuovi modi della sua applicazione. Definiamo l'IA una tecnologia emergente, tuttavia, gli scienziati hanno lavorato in questa direzione dagli anni '50. All'inizio, l'intelligenza artificiale era lontana dai robot intelligenti che vediamo nei film di fantascienza. Tuttavia, grazie a tecnologie come l'apprendimento automatico e il deep learning, l'IA è diventata una delle aree più promettenti del settore IT. La domanda di sviluppatori di intelligenza artificiale cresce costantemente e alcuni esperti immaginano un futuro in cui i computer sostituiscono gli umani. Anche se è troppo presto per parlare di intelligenza artificiale come di una minaccia per la forza lavoro, i lavoratori moderni trarranno sicuramente beneficio dall'apprendere di più su questa tecnologia perché consentirà loro di prepararsi ai futuri cambiamenti nei loro settori e di familiarizzare con un nuovo , strumento efficace e interessante. Motivi importanti per iniziare a studiare l'AI L'intelligenza artificiale entra nelle nostre vite in molti modi diversi. Ad esempio, utilizziamo assistenti come Amazon Echo, Google Assistant o Siri. Quando giochiamo ai videogiochi, l'IA è sempre il nostro nemico. Tuttavia, non tutti sanno che l'intelligenza artificiale è presente anche in Google Translate e negli strumenti che rilevano i messaggi di spam. La comprensione dell'intelligenza artificiale apre molte opportunità. È sufficiente padroneggiare le basi di questa tecnologia per capire come funzionano gli strumenti semplici. Man mano che impari di più sull'AI, hai la possibilità di diventare uno sviluppatore che creerà applicazioni AI avanzate come Watson di IBM o le auto a guida autonoma. Ci sono infinite possibilità in questo campo. Studiare l'intelligenza artificiale è necessario per una carriera nell'ingegneria del software, nel caso in cui desideri lavorare con interfacce uomo-macchina, reti neurali e intelligenza artificiale quantistica . Aziende come Amazon e Facebook utilizzano l'intelligenza artificiale per formulare raccomandazioni sulla lista della spesa e analizzare i big data. La comprensione dell'intelligenza artificiale è necessaria anche per gli ingegneri hardware che creano assistenti domestici e assistenti di parcheggio. Coloro che vogliono iniziare ad apprendere l'intelligenza artificiale hanno molte opzioni disponibili. Internet, ad esempio, consente a tutti di iscriversi ai corsi online. Alcuni di questi sono rivolti a persone che hanno già un certo livello di conoscenza tecnica e si concentrano sulla programmazione, mentre altri corsi aiuteranno anche coloro che non hanno alcuna esperienza precedente in programmazione e ingegneria. Come iniziare con l'IA Non c'è da stupirsi se si incontrano alcune difficoltà nello studio dell'intelligenza artificiale. Se rimani bloccato, ti suggeriamo di cercare una soluzione su Kaggle o di pubblicare le tue domande su forum specifici, ad esempio il nostro. È anche importante capire su cosa concentrarsi e cosa fare prima. 1. Scegli un argomento che ti interessa Per prima cosa, seleziona un argomento che è davvero interessante per te. Ti aiuterà a rimanere motivato e coinvolto nel processo di apprendimento. Concentrati su un determinato problema e cerca una soluzione, invece di leggere passivamente tutto ciò che puoi trovare su Internet. 2. Trova una soluzione rapida Il punto è trovare una soluzione di base che copra il problema il più possibile. È necessario un algoritmo che elabori i dati in una forma comprensibile per l'apprendimento automatico, addestri un modello semplice, fornisca un risultato e ne valuti le prestazioni. 3. Migliora la tua soluzione semplice Una volta che hai una base semplice, è il momento della creatività. Cerca di migliorare tutti i componenti e valuta le modifiche per determinare se questi miglioramenti valgono il tuo tempo e il tuo impegno. Ad esempio, a volte, il miglioramento della pre-elaborazione e della pulizia dei dati offre un maggiore prestazioni e un miglioramento del un modello di apprendimento stesso. 4. Condividi la tua soluzione Scrivi la tua soluzione e condividila per ottenere un feedback. Non solo riceverai preziosi consigli da altre persone, ma sarà anche il primo portfolio pubblico. Ricorda se non sai dove farlo, puoi sempre usare il nostro forum. 5. Ripetere i passaggi 1-4 per problemi diversi Scegli problemi diversi e segui gli stessi passaggi per ogni attività. Se hai iniziato con dati tabulari, scegli un problema che implica lavorare con immagini o testo non strutturato. È anche importante imparare a formulare correttamente i problemi per l'apprendimento automatico. Gli sviluppatori hanno spesso bisogno di trasformare alcuni obiettivi aziendali astratti in problemi concreti che si adattino alle specifiche dell'apprendimento automatico. 6. Completa una gara di Kaggle Questa competizione ti permette di mettere alla prova le tue abilità, risolvendo gli stessi problemi su cui stanno lavorando molti altri ingegneri. Sarai costretto a provare diversi approcci, scegliendo le soluzioni più efficaci. Questa competizione può anche insegnarti la collaborazione, poiché puoi unirti a una grande comunità e comunicare con le persone sul forum, condividendo le tue idee e imparando dagli altri. 7. Usa l'apprendimento automatico in modo professionale Devi determinare quali sono i tuoi obiettivi di carriera e creare il tuo portfolio. Se non sei pronto per candidarti per lavori di machine learning, cerca altri progetti che renderanno il tuo portfolio impressionante. Unisciti agli hackathon locali e cerca posizioni relative alla analisi dati a servizio della comunità. Conclusione La comprensione di base dell'intelligenza artificiale e dell'apprendimento automatico diventa sempre più preziosa in qualsiasi area aziendale e in qualsiasi professione. Grazie a vari corsi online, oggi non devi andare all'università per imparare questa tecnologia complessa e interessante. Anche se non hai alcuna esperienza precedente in ingegneria, puoi imparare l'intelligenza artificiale da casa e iniziare ad applicare le tue conoscenze nella pratica, creando semplici soluzioni di apprendimento automatico e facendo i primi passi verso la tua nuova professione.

Ecco la guida ufficiale per l'installazione del Linguaggio di programmazione Python. Segui le istruzioni ufficiali per scaricare python Letture consigliate per "Come installare Python" L'Intelligenza Artificiale Spiegata Semplice Come elaborare le immagini con NumPy e Python Riconoscimento facciale con Python Filtro collaborativo cos'è e come implementarlo con python Trucchi Python per la data science Intelligenza Artificiale (IA) e Python Come si Relazionano?

Questa Spiegazione è appartenente ad una Serie di Articoli. Prima di iniziare a leggere ti consigliamo di guardare gli articoli precedenti : Lo Strumento "mente" Il servomeccanismo mentale Gli Engrammi : Le Immagini della Mente Che cosa è un concetto Gli stati Attenzionali Le funzioni attenzionali Il concetto di variabile La sovrapposizione degli effetti La Curiosità Le attività percettive La cognizione Un altro esempio che vede come protagonista questa volta la volontà attenzionale è quello che mi viene in mente perché da quando sto scrivendo questo testo lo applico tutti i giorni ed è relativo alla concentrazione, cos’è la concentrazione se non l’applicazione cosciente e prolungata della volontà in riferimento ad un dato engramma o ad un concetto? Questo significa mantenere vividamente presente attenzionalemente una certa cosa, ossia applicare la volontà forzando determinate funzioni come può essere l’immaginazione, quindi possiamo dire, rubando un termine alla matematica, che la concentrazione è una potenza della volontà, come se la volontà si riflettesse su se stessa; anche in questo caso siamo nel contesto della sovrapposizione degli effetti poiché dobbiamo considerare il fatto come l’interconnessione di una grandezza con se stessa e potremmo affermare, sempre in un contesto generale che la relazione venga espressa in termini matematici con una formula che rende bene l’idea: ,dove ’c’ sta per “concentrazione”,’v’ sta per “volontà attenzionale” e ’i’ come al solito è “l’informazione”, in altri termini potremmo dire che la concentrazione diviene una potenza ennesima della volontà, premesso però che adesso stiamo rubando di brutto al linguaggio matematico le sue funzioni classiche. Di importante da notare a questo punto c’è che la concentrazione è una funzione mentale particolarmente interessante in quanto possiamo sentire gli effetti che produce, noi tutti sappiamo che quando si è concentrati su un particolare processo o concetto non prestiamo attenzione alla stessa maniera a quello che ci circonda, il nostro interesse è tutto puntato sull’argomento di cui ci occupiamo, pertanto possiamo dire che la concentrazione è quella funzione che favorisce le elaborazioni mentali a cicli chiusi, cioè, inibendo l’ingresso ai segnali del flusso nel nodo di confronto ’N(i)’ del nostro servomeccanismo. Questi tipi di operazioni sono proprio quelli che permettono delle elaborazioni entalpiche sui costrutti, che rendono quindi possibile quell’innalzamento energetico dovuto agli stati attenzionali riposti su ciò che è soggetto costretto del nostro operare. Pensare intensamente ad una cosa, concentrarsi su di questa non è certamente uno dei più facili processi di lavoro che chiediamo al nostro servomeccanismo in quanto dovremmo anche tener presente che l’immaginazione va condizionata dalla volontà a far entrare soltanto le funzioni elementari in ’B(i)’ che desideriamo, forse è proprio uno dei processi più difficili che si possono richiedere alla nostra mente, ma è vero anche che si tratta di far pratica, ci vuole oltre che una buona predisposizione del sistema mentale, che si può ottenere rilassandosi prima, anche un buon allenamento e delle particolari procedure per ottenere degli ottimi gradi di concentrazione, comunque si tratta sempre di far lavorare il nostro cervello a livello di coscienza, attraverso la volontà e quindi con un po’ di pazienza si potrebbero ottenere dei risultati soddisfacenti, ma parleremo più avanti di questi sistemi di “auto-condizionamento”. Arrivati a questo punto abbiamo tutti i mezzi per andare a parlare di INTELLIGENZA nel prossimo Articolo della serie.

Vorrei iniziare questo articolo andando a vedere la definizione di computer vision Cosa è la Computer Vision : La computer vision (CV) è il campo scientifico che definisce il modo in cui le macchine interpretano il significato di immagini e video. Gli algoritmi di visione artificiale analizzano determinati criteri in immagini e video, quindi applicano interpretazioni a compiti predittivi o decisionali. Oggi, le tecniche di deep learning sono più comunemente utilizzate per la visione artificiale. Questo articolo esplora diversi modi in cui puoi utilizzare il deep learning per la visione artificiale. In particolare, imparerai i vantaggi dell'utilizzo delle reti neurali convoluzionali (CNN), che forniscono un'architettura multistrato che consente alle reti neurali di concentrarsi sulle caratteristiche più rilevanti nell'immagine. In questo articolo imparerai: Cos'è la visione artificiale? Architetture di deep learning per CV Usi del deep learning nella computer vision Che cos'è la visione artificiale o Computer Vision? La computer vision è una sotto-area di machine learning dedicata all'interpretazione e alla comprensione di immagini e video. Viene utilizzato per insegnare ai computer a "vedere" e a utilizzare le informazioni visive per eseguire attività visive che gli esseri umani possono. I modelli di visione artificiale sono progettati per tradurre i dati visivi in ​​base alle caratteristiche e alle informazioni contestuali identificate durante l'addestramento. Ciò consente ai modelli di interpretare immagini e video e applicare tali interpretazioni a compiti predittivi o decisionali. Sebbene entrambi siano correlati ai dati visivi, l'elaborazione delle immagini non è la stessa della visione artificiale. L'elaborazione delle immagini comporta la modifica o il miglioramento delle immagini per produrre un nuovo risultato. Può includere l'ottimizzazione della luminosità o del contrasto, l'aumento della risoluzione, la sfocatura delle informazioni sensibili o il ritaglio. La differenza tra elaborazione delle immagini e visione artificiale è che la prima non richiede necessariamente l'identificazione del contenuto. Reti neurali convoluzionali: le fondamenta della moderna visione artificiale I moderni algoritmi di visione artificiale si basano su reti neurali convoluzionali (CNN), che forniscono un notevole miglioramento delle prestazioni rispetto ai tradizionali algoritmi di elaborazione delle immagini. Le CNN sono reti neurali con un'architettura multilivello che viene utilizzata per ridurre gradualmente dati e calcoli al set più pertinente. Questo set viene quindi confrontato con dati noti per identificare o classificare l'input dei dati. Le CNN vengono generalmente utilizzate per attività di visione artificiale, sebbene possano essere eseguite anche analisi del testo e analisi dell'audio. Una delle prime architetture della CNN è stata AlexNet (descritta di seguito), che ha vinto la sfida di riconoscimento visivo di ImageNet nel 2012. Come funzionano le CNN Quando un'immagine viene elaborata da una CNN, ogni colore di base utilizzato nell'immagine (ad es. rosso, verde, blu) viene rappresentato come una matrice di valori. Questi valori vengono valutati e condensati in tensori 3D (nel caso di immagini a colori), che sono raccolte di pile di mappe di caratteristiche legate a una sezione dell'immagine. Questi tensori vengono creati facendo passare l'immagine attraverso una serie di strati convoluzionali e di raggruppamento, che vengono utilizzati per estrarre i dati più rilevanti da un segmento di immagine e condensarli in una matrice più piccola e rappresentativa. Questo processo viene ripetuto numerose volte (a seconda del numero di strati convoluzionali nell'architettura). Le caratteristiche finali estratte dal processo convoluzionale vengono inviate a un livello completamente connesso, che genera previsioni. Architetture di deep learning per la visione artificiale Le prestazioni e l'efficienza di una CNN sono determinate dalla sua architettura. Ciò include la struttura dei livelli, come sono progettati gli elementi e quali elementi sono presenti in ogni livello. Sono state create molte CNN, ma i seguenti sono alcuni dei progetti più efficaci. AlexNet (2012) AlexNet è un'architettura basata sulla precedente architettura LeNet. Comprende cinque strati convoluzionali e tre strati completamente connessi. AlexNet utilizza una struttura a doppia pipeline per consentire l'uso di due GPU durante l'addestramento. La principale differenza tra AlexNet e le architetture precedenti è l'uso di unità lineari rettificate (ReLU) invece delle funzioni di attivazione sigmoide o Tanh utilizzate nelle reti neurali tradizionali. ReLU è più semplice e veloce da calcolare, consentendo ad AlexNet di addestrare i modelli più velocemente. GoogleNet (2014) GoogleNet, noto anche come Inception V1, si basa sull'architettura LeNet. È composto da 22 strati formati da piccoli gruppi di circonvoluzioni, detti “moduli di inizio”. Questi moduli di avvio utilizzano la normalizzazione batch e RMSprop per ridurre il numero di parametri che GoogleNet deve elaborare. RMSprop è un algoritmo che utilizza metodi di tasso di apprendimento adattivo. VGGNet (2014) VGG 16 è un'architettura a 16 livelli (alcune varianti avevano 19 livelli). VGGNet ha livelli convoluzionali, un livello di pool, alcuni livelli convoluzionali in più, un livello di pool, molti altri livelli di conv e così via. VGG si basa sulla nozione di una rete molto più profonda con filtri più piccoli: utilizza convoluzioni 3×3 fino in fondo, che è la dimensione del filtro conv più piccola che esamina solo alcuni dei pixel vicini. Utilizza piccoli filtri a causa di un minor numero di parametri, rendendo possibile l'aggiunta di più livelli. Ha lo stesso campo ricettivo effettivo di uno strato convoluzionale 7×7. ResNet (2015) ResNet, acronimo di Residual Neural Network, è un'architettura progettata per avere un gran numero di livelli: le architetture tipicamente utilizzate vanno da ResNet-18 (con 18 livelli) a ResNet-1202 (con 1202 livelli). Questi livelli sono impostati con gated unità o "salta connessioni" che gli consentono di passare informazioni a livelli convoluzionali successivi. ResNet utilizza anche la normalizzazione batch per migliorare la stabilità della rete. Xception (2016) Xception è un'architettura basata su Inception, che sostituisce i moduli di inizio con circonvoluzioni separabili in profondità (convoluzione in profondità seguita da circonvoluzioni puntuali). Funziona catturando prima le correlazioni tra mappe di funzionalità e poi le correlazioni spaziali. Ciò consente un uso più efficiente dei parametri del modello. ResNeXt-50 (2017) ResNeXt-50 è un'architettura basata su moduli con 32 percorsi paralleli. Utilizza la cardinalità per ridurre gli errori di convalida e rappresenta una semplificazione dei moduli di inizio utilizzati in altre architetture. Usi del deep learning nella visione artificiale Lo sviluppo delle tecnologie di deep learning ha consentito la creazione di modelli di computer vision più accurati e complessi. Con l'aumento di queste tecnologie, l'incorporazione di applicazioni di visione artificiale sta diventando più utile. Di seguito sono riportati alcuni modi in cui il deep learning viene utilizzato per migliorare la visione artificiale. Rilevamento di oggetti e Visione Artificiale Esistono due tipi comuni di rilevamento di oggetti eseguiti tramite tecniche di visione artificiale: Rilevamento di oggetti in due fasi : il primo passaggio richiede una rete di proposte regionali (RPN), che fornisce un numero di regioni candidate che possono contenere oggetti importanti. Il secondo passaggio consiste nel passare le proposte della regione a un'architettura di classificazione neurale, comunemente un algoritmo di raggruppamento gerarchico basato su RCNN o un pool di regioni di interesse (ROI) in Fast RCNN. Questi approcci sono abbastanza precisi, ma possono rallentare molto. Rilevamento di oggetti in un solo passaggio : con la necessità di rilevamento di oggetti in tempo reale, sono emerse architetture di rilevamento di oggetti in un solo passaggio, come YOLO, SSD e RetinaNet. Questi combinano la fase di rilevamento e classificazione, regredendo le previsioni del riquadro di delimitazione. Ogni riquadro di delimitazione è rappresentato con poche coordinate, facilitando la combinazione della fase di rilevamento e classificazione e velocizzando l'elaborazione. Localizzazione e rilevamento di oggetti La localizzazione dell'immagine viene utilizzata per determinare dove si trovano gli oggetti in un'immagine. Una volta identificati, gli oggetti sono contrassegnati da un riquadro di delimitazione. Il rilevamento degli oggetti si estende su questo e classifica gli oggetti identificati. Questo processo si basa su CNN come AlexNet, Fast RCNN e Faster RCNN. La localizzazione e il rilevamento di oggetti possono essere utilizzati per identificare più oggetti in scene complesse. Questo può quindi essere applicato a funzionalità come l'interpretazione di immagini diagnostiche in medicina. Segmentazione semantica La segmentazione semantica, nota anche come segmentazione degli oggetti, è simile al rilevamento degli oggetti tranne per il fatto che si basa sui pixel specifici relativi a un oggetto. Ciò consente di definire più accuratamente gli oggetti immagine e non richiede riquadri di delimitazione. La segmentazione semantica viene spesso eseguita utilizzando reti completamente convoluzionali (FCN) o U-Net. Un uso popolare per la segmentazione semantica è per l'addestramento di veicoli autonomi. Con questo metodo, i ricercatori possono utilizzare immagini di strade o passaggi con confini accuratamente definiti per gli oggetti. Stima della posa La stima della posa è un metodo utilizzato per determinare dove si trovano le articolazioni in un'immagine di una persona o di un oggetto e cosa indica il posizionamento di tali articolazioni. Può essere utilizzato sia con immagini 2D che 3D. L'architettura principale utilizzata per la stima della posa è PoseNet, che si basa sulle CNN. La stima della posa viene utilizzata per determinare dove parti del corpo possono apparire in un'immagine e può essere utilizzata per generare posizioni realistiche o movimenti di figure umane. Spesso, questa funzionalità viene utilizzata per la realtà aumentata, il rispecchiamento dei movimenti con la robotica o l'analisi del cammino. Sei Interessato a sapere qualcosa nello specifico sulla Visione Artificiale ? Scrivi un commento qui sotto !

Il tempo della tanto amata intelligenza artificiale è arrivato e proprio sotto in nostri occhi sta completamente rivoluzionando, proprio come la rivoluzione industriale/agricola, determinati settori del nostro lavoro e vita privata. Naturalmente ci tengo a precisare che non è l'intelligenza artificiale in modo autonomo a rivoluzionare il mondo, possiamo dire che è un ottimo aiuto a favore dell'uomo, grazie al quale stiamo creando un "nuovo mondo", vedremo, con il passare del tempo, quali vantaggi o svantaggi porterà. Allora vediamo quali sono questi SETTORI che l'intelligenza artificiale sta rivoluzionando : I.A. e settore automobilistico I primi passi sulle macchine automatiche/guida autonoma sono stati condotti fin dal 1920 😱. I primi risultati con le vetture "autosufficienti" arrivarono circa 60 anni dopo nel 1980 grazie ad una collaborazione tra un Università Americana e la Mercedes-Benz e al progetto EUREKA nel 1987. Dal 1987 ad oggi, sono stati fatti passi da giganti rispetto alle auto autosufficienti. Per farvi capire meglio a che punto dello sviluppo siamo, vi riporto qui una Tabella la quale divide in 5 livelli i sistemi di guida autonoma presenti ad oggi: Livello 0: In questo livello non è presente alcuna automazione, il guidatore ha il pieno controllo dell macchina Livello 1: piccole automazioni come il controllo velocità e il controllo per colpi di sonno o distrazioni Livello 2: parziale automazione, la macchina è in grado di mantenere la corsia per brevi tratti e di parcheggiare da sola in alcune condizioni Livello 3: automazione, la macchina è in grado di fare brevi tratti in città Livello 4: alta automazione, la macchina è in grado di compiere in modo autonomo brevi tragitti dalla partenza all' arrivo Livello 5: automazione completa, la macchina è in grado di compire qualsiasi tragitto senza alcun intervento umano in qualsiasi condizione ( Non spaventarti qui ancora non ci siamo arrivati 😄 ) In Italia sono presenti e registrate alcune vetture di livello 3 I.A. e Salute & Medicina Come sappiamo questi algoritmi di intelligenza artificiale sono molto "bravi" a classificare e organizzare i dati, in modo tale da poterne successivamente fare predizioni basate su dei modelli. Se ci fermiamo a pensare la Medicina e la Salute dipendono da moltissimi valori, vi faccio un esempio veloce: un medico a due pazienti entrambi con gli stessi sintomi, un paziente ha 20 anni e un altro ne ha 84, per i quali deve assegnargli due piani terapeutici diversi in base a molti fattori, come dicevamo prima, tra i quali età, peso, valori del sangue molto altri. Proprio il campo di applicazione degli algoritmi sopra menzionati ! Un altro nuovo campo della medicina riguarda la generazione di nuovi farmaci grazie a programmi, attualmenti sviluppati in Python, chiamati GANs. I.A. e Finanza La Finanza è un mondo molto sensibile all' avvenimento di queste nuove tecnologie. Per farvi capire meglio vi lascio un link ad un video il quale in 6 minuti fa un esempio su come utilizzando il linguaggio di programmazione python è possibili fare predizioni sui mercati Clicca qui. Come potete vedere anche in questo settore l'AI sta portando grandissimi rivoluzioni e novità. I.A. e Science Gli attuali motori di ricerca semantici sono in grado di leggere l’enorme mole di articoli scientifici generati e portare all’attenzione del ricercatore notizie e ricerche che potrebbero sfuggirgli e persino suggerire spunti di ricerca mettendo in relazioni le evidenze emerse. È una metodologia di ricerca e tool attiva in molti campi, dalla medicina alla matematica. Giovanni Colavizza, data scientist operativo all’Istituto Alan Turing a Londra sull’analisi delle pubblicazioni scientifiche, ha scritto sull’International Journal of Science che gli strumenti di IA sono capaci di estrarre informazioni significative da tali pubblicazioni. L’articolo afferma che un enorme numero di pubblicazioni scientifiche sono disponibili su internet con almeno 1 milione di nuovi lavori pubblicati ogni anno. Dati questi numeri è impossibile per un ricercatore mettere in ordine, leggere e analizzare gli articoli che suggeriscono diverse ipotesi. Il problema può essere risolto, almeno parzialmente, utilizzando strumenti di IA che possono aiutare gli scienziati ad estrarre specifici contenuti mettendoli in ordine di importanza, filtrandoli e raggruppandoli. Un esempio di questa tecnologia è rappresentato da Iris.ai, un sistema che assiste il ricercatore nel processo di mappare e acquisire nuova conoscenza scientifica. I.A. e Marketing Si chiama invece Artificial Intelligence Marketing (AI Marketing) il Marketing che usa l’Intelligenza Artificiale per interagire con i clienti, migliorare la comprensione del mercato e delle persone e suggerire più rapidamente dell’uomo le azioni da intraprendere per affinare le tecniche di persuasione. L’Intelligenza Artificiale nel Marketing che sfrutta le più moderne tecnologie che rientrano nell’ambito dell’AI, come Machine Learning e NLP (Natural Language Processing) , integrate a tecniche matematiche/statistiche (come quelle delle reti bayesiane, modello grafico probabilistico che rappresenta un insieme di variabili con le loro dipendenze condizionali) e di Marketing comportamentale (behavioral targeting). Il tutto con un obiettivo molto chiaro e diretto: migliorare la capacità di persuasione per portare gli utenti a “convertire” la “call to action” aziendale, ossia a compiere un’azione che genera valore per l’utente stesso ma che ha un risvolto positivo anche per l’azienda. Letture consigliate per "5 settori che l'Intelligenza Artificiale sta rivoluzionando" Intelligenza Artificiale nella Guerra Etica e Intelligenza Artificiale. L'Intelligenza Artificiale Spiegata Semplice Quali Sono i Tipi di Intelligenza Artificiale ? 5 settori che l'Intelligenza Artificiale sta rivoluzionando Intelligenza Artificiale Pro e Contro - Andiamo a vedere i Vantaggi e Svantaggi Migliori Citazioni sull'Intelligenza Artificiale Come utilizza Google l'intelligenza artificiale? Prerequisiti per le carriere di Intelligenza Artificiale

Questa Spiegazione è appartenente ad una Serie di Articoli. Prima di iniziare a leggere ti consigliamo di guardare gli articoli precedenti : Lo Strumento "mente" Il servomeccanismo mentale Gli Engrammi : Le Immagini della Mente Che cosa è un concetto Gli stati Attenzionali Le funzioni attenzionali Il concetto di variabile La sovrapposizione degli effetti La Curiosità Le attività percettive Abbiamo introdotto appena adesso un fattore che condiziona moltissimo il nostro modo di operare mentale che è “l'associazione” e abbiamo visto che è legata alla “immaginazione” attraverso la variazione delle funzioni elementari che possono dare origine alle varie controreazioni sui percepiti di primo livello, l'associazione dunque entra in funzione qualora le funzioni di controreazione lo permettano o meglio qualora vi sia l'esigenza di riparametrare attenzionalmente il contesto percettivo con un contesto cognitivo, questo per legare meglio assieme gli engrammi che costituiscono il nostro campo di conoscenza in quanto il meccanismo mentale, ripeto, ha un carattere teleologico di fondo che è dovuto alla necessità di espandere il più possibile le energie relative alla interazione con l'informazione di partenza. Questo sistema di associare il mondo percepito con il nostro campo di conoscenza avviene come già detto, attraverso dei “percorsi preferenziali” di elaborazione, ma cosa succede quando chiamiamo in causa la cognizione per creare nuovi engrammi e in definitiva per legare in un contesto logico dal punto di vista attenzionale i vari costrutti? Per tentare di dare una spiegazione a questa domanda bisogna pensare ad una doppia funzione delle attività associative e dare uno sguardo anche semplice alle attività correlative. Partiamo dall'analizzare un attimo le attività associative che conglobano le possibilità di mettere assieme dei costrutti mentali di diversa natura, quando noi facciamo una associazione di solito è il presente che ce la richiama, in altre parole i ritmi attenzionali dovuti alle attività percettive portano per simmetria ad associare i percepiti con dei costrutti derivanti dal nostro campo di conoscenza, non è difficile vedere "Adamo che mangia una mela" e pensare "ma anch'io ho mangiato una mela tre mesi fa", la frase può essere stupida però quel 'ma' richiama una controreazione che mi mette nelle condizioni di riparametrare o di confrontare attenzionalmente una cosa percepita con un ricordo; le funzioni cognitive allora vengono chiamate in azione dalle funzioni associative che sono in questo caso una causa, ma non appena si aprono gli engrammi relativi alla cognizione allora diventano un effetto della cognizione producendo delle ulteriori operazioni fra il contesto percepito e quello correlato. Le correlazioni dunque sono indotte dalle attività associative e quel 'ma' indica bene il legame quasi simultaneo che viene a crarsi, dove “Adamo che mangia una mela” è il correlato primo o 'soggetto', in questo caso è “anch'io ho mangiato una mela” diventa il correlato secondo o 'oggetto', l'elemento correlatore è proprio il 'ma'. Ora pensiamo al modo in cui viene ad essere posta in azione l'attività cognitiva e per fare questo ricordo che alla fine di ogni attività percettiva vi è il prodotto di un engramma che è il risultato di tutte le operazioni che hanno portato alla percezione di una determinata cosa e viene ad essere incamerato in memoria soltanto attraverso l'associazione logica e temporale delle operazioni indotte nel processo, potremmo anche dire che ci sia un processo di condensazione delle informazioni, quindi è ipotizzabile che, quando interviene la cognizione ci sia un processo di decodificazione dell'engramma incamerato ed appariranno vividamente quei percepiti che sono stati per così dire interessati di più dall'attività attenzionale, nel caso ipotizzato si può presupporre che sia il gusto o il colore della mela a ritornare nelle correlazioni e nelle associazioni, non direi altrettanto delle scarpe che indossavo tre mesi prima, ammenoché non fosse stato proprio il fatto che il ricordo sia proprio legato al fatto delle scarpe e sia nato per questo tutto il processo, allora devo supporre che anche le scarpe di Adamo saranno oggetto della mia attenzione. Quello che è importante comunque è il fatto che anche tutto questo processo verrà incamerato con il solito procedimento in memoria e darà sempre origine ad un engramma, ma sarà ben difficile che questo ricordo persista nella memoria poiché nulla è stato rilevato attenzionalmente in modo tale da forzare l’immaginazione o la volontà più di tanto, quindi è supponibile che i ricordi o il campo di conoscenza che è l’insieme dei dati e delle loro relazioni siano costituiti dal fatto che i percorsi preferenziali della elaborazione dei dati siano proprio derivanti dalla interazione fra le solite tre grandezze di base e qualora una di queste venga forzata si costituiranno degli engrammi che saranno più soggetti ad essere richiamati per associazione. Nel prossimo articolo parleremo della concentrazione

Cosa sono i set di dati? Un set di dati è una raccolta di elementi strutturata. Un set di dati è organizzato in un tipo di struttura di dati. In un database, ad esempio, un set di dati potrebbe contenere una raccolta di dati aziendali (nomi, stipendi, informazioni di contatto, dati sulle vendite e così via). Il database stesso può essere considerato un insieme di dati, così come i corpi di dati al suo interno relativi a un particolare tipo di informazioni, come i dati di vendita per un particolare reparto aziendale. CURIOSITA' - Chi ha inventato il termine Dataset ? Il termine set di dati ha avuto origine con IBM, dove il suo significato era simile a quello di file. I set di dati sono parte integrante del campo dell'apprendimento automatico. I principali progressi in questo campo possono derivare dai progressi negli algoritmi di apprendimento come l'apprendimento profondo, l'hardware del computer e, in modo meno intuitivo, la disponibilità di set di dati di addestramento di alta qualità. Se hai mai lavorato a un progetto di scienza dei dati , probabilmente hai passato molto tempo a navigare in Internet alla ricerca di set di dati interessanti da analizzare. Può essere divertente setacciare dozzine di set di dati per trovare quello perfetto. Ma può anche essere frustrante scaricare e importare diversi file CSV, solo per rendersi conto che i dati non sono poi così interessanti. Fortunatamente, ci sono repository online che curano i set di dati e (soprattutto) rimuovono quelli non interessanti. In questo post, diamo un'occhiata ai siti per trovare set di dati per progetti di visualizzazione dei dati Sta cercando un corso sulla DataScience? Però costano tutti un sacco di soldi e non sei sicuro questo mestiere faccia per te? Oppure più semplicemente già lavori in questo settore e vuoi approfondire argomenti come machine learning e reti neurali ? Scopri il nostro Corso Gratuito da più di 100 Lezioni, a difficoltà crescente. L'unico corso in italiano gratuito che ti permetterà davvero di capire e approfondire temi fondamentali per questo mestiere. Clicca qui non aspettare, intanto iscriviti è GRATIS. Set di dati per progetti di visualizzazione dei dati o Data Science Un tipico progetto di visualizzazione dei dati potrebbe essere qualcosa sulla falsariga di "Voglio fare un'infografica su come varia il reddito nelle diverse regioni di Italia". Ci sono alcune considerazioni da tenere a mente quando si cercano dati validi per un progetto di visualizzazione dei dati: Il dataset non dovrebbe essere disordinato, perché non vuoi passare molto tempo a pulire i dati. Dovrebbe essere abbastanza equilibrato e interessante da poterci fare grafici. Idealmente, ogni colonna dovrebbe essere ben spiegata, quindi la visualizzazione è accurata. Se il set di dati non deve contenere troppe righe o colonne, è più facile lavorarci. ( Capiamoci meglio per troppe intendiamo sopra le 40.000 righe o sopra le 30-70 colonne sopratutto per chi è alle prime armi ) I siti di notizie che pubblicano i propri dati pubblicamente possono essere ottimi posti per trovare set di dati per la visualizzazione dei dati. In genere puliscono i dati per te e spesso hanno già grafici che hanno creato da cui puoi imparare, replicare o migliorare. 1. FiveThirtyEight Se sei interessato ai dati, avrai sicuramente sentito parlare di FiveThirtyEight; è uno dei punti vendita di giornalismo di dati più affermati al mondo. Scrivono articoli interessanti basati sui dati. Quello che potresti non sapere è che FiveThirtyEight rende disponibili online su Github e sul proprio portale di dati anche i set di dati utilizzati nei suoi articoli. Ecco alcuni esempi: Sicurezza della compagnia aerea : contiene informazioni sugli incidenti di ciascuna compagnia aerea. Cronologia meteorologica degli Stati Uniti: dati meteorologici storici per gli Stati Uniti. Study Drugs : dati su chi sta assumendo Adderall negli Stati Uniti. 2. BuzzFeed BuzzFeed potrebbe aver iniziato come fornitore di clickbait di bassa qualità, ma in questi giorni fa anche giornalismo di dati di alta qualità. E, proprio come FiveThirtyEight, pubblica pubblicamente alcuni dei suoi set di dati sulla sua pagina Github . Ecco alcuni esempi: Federal Surveillance Planes : contiene dati sugli aerei utilizzati per la sorveglianza interna. Zika Virus : dati sulla geografia dell'epidemia del virus Zika. Controlli sui precedenti delle armi da fuoco: dati sui controlli sui precedenti delle persone che tentano di acquistare armi da fuoco. 3. ProPublica ProPublica è una testata giornalistica investigativa senza scopo di lucro che pubblica giornalismo di dati incentrato su questioni di interesse pubblico, principalmente negli Stati Uniti. Mantengono un archivio dati che ospita alcuni set di dati gratuiti oltre ad alcuni a pagamento (scorri verso il basso su quella pagina per superare quelli a pagamento). Molti di questi sono attivamente mantenuti e aggiornati di frequente. ProPublica offre anche cinque API relative ai dati, quattro delle quali sono accessibili gratuitamente. Ecco alcuni esempi: Annunci politici su Facebook : una raccolta gratuita di dati sugli annunci di Facebook che viene aggiornata quotidianamente. Notizie sui crimini d'odio: dati regolarmente aggiornati sui crimini d'odio riportati in Google News. Età della macchina per il voto : dati sull'età delle macchine per il voto che sono state utilizzate nelle elezioni del 2016. 4. Socrata OpenData Socrata OpenData è un portale che contiene più set di dati che possono essere esplorati nel browser o scaricati per visualizzare. Le offerte qui sono meno curate, quindi dovrai ordinare ciò che è disponibile per trovare dati puliti e aggiornati, ma la possibilità di guardare i dati in forma di tabella direttamente nel browser è molto utile e ha anche alcuni strumenti di visualizzazione incorporati. Ecco alcuni esempi: Stipendi del personale della Casa Bianca : dati su ciò che ogni membro dello staff della Casa Bianca ha guadagnato nel 2010. Morti sul lavoro per stato degli Stati Uniti : il numero di decessi sul lavoro negli Stati Uniti. Speriamo tu possa trovare il dataset più adatto al tuo progetto o esercizio. Grazie mille per la lettura. Condividi l'articolo per sostenerci 💕