Come ti ho detto, mi farebbe piacere condividere con te questa esperienza e, visto che conosci poco il linguaggio, ma abbiamo probabilmente in comune una certa età, e visto che io ho smesso tanti anni fa di fare il "professore", diciamo che da moderni "perennial", ci possiamo anche intendere al volo, quindi, compatibilmente con il tempo a mia disposizione, non considero la nostra interazione, una fonte di stress, anzi! Sono sicuro che il nostro percorso assieme, potrà darci delle belle soddisfazioni, ed essere molto interessante per tutti e due. Ora, se vuoi, potremmo anche continuare in questa sede la nostra relazione epistolare di informatica dedicata a python e al tuo progetto, ma se vuoi, puoi anche contattarmi in privato, che per me va altrettanto bene, ma forse, se continuiamo su queste pagine, magari ci sarà anche qualcun'altro che saprà aiutarti meglio di me. In qualsiasi caso, volendo partire dalle basi, e condividendo la mia esperienza, le prime difficoltà con Python le ho incontrate, all'inizio, con la sintassi, ovvero con l'identazione dei comandi. Indentare il codice è una pratica comune in tutti i linguaggi, perché semplifica la lettura del codice e la comprensione della sua struttura, questa scelta ha diversi aspetti positivi, tra cui: il linguaggio risulta più chiaro e leggibile; la struttura del programma coincide sempre con quella dell’indentazione; lo stile di indentazione è necessariamente uniforme in qualsiasi listato. Questo significa che, in Python, l’indentazione è significativa, e che indentare in modo incorretto può portare a comportamenti sbagliati del programma o a errori. Un esempio di codice identato: for i in range(colonne): for j in range(righe): x = matrix1[i,j] y = matrix2[i,j] if x != y: Num_Diff+=1 print("riscontrati N_pixel differenti = ", Num_Diff) l'identazione consiste nei "4 spazi" che vengono anteposti alle righe di programma: in questo caso una semplice procedura di controllo matricale per rilevare la differenza di pixel in due matrici relative a due immagini monocromatiche. Per quanto riguarda l'interfaccia grafica in python, esiste e si chiama tkinter, è un modulo del linguaggio, ma è una cosa che prenderei in considerazione più avanti. Alla mia età correre diventa un po' complicato.... Dimmi se trovi difficoltà nel fare qualche esercizio simile a questo.... che sembra semplice ma non lo è...

Ci tengo, fammi sapere e se vuoi contattami pure... Buon lavoro...

Sono felice di leggerti, e sicuramente in passato ho condiviso il piacere di usare Mac, il mio primo computer professionale, che vendevo e usavo, il mio mi era costato 7.500.000 lire: un MAC SE, con stampante ecc... anno di grazia 1987.... quando passavo dai negozi di informatica a studio di impianti elettrici e automazioni di cui ho ancora il blog del sito: https://www.cyberservices.it/ ,quindi, tornando a noi, credo che Atom sia proprio indicata allo scopo, credo inoltre che tu abbia installato una versione di Python3, se vuoi mi saprai dire quale, credo inoltre che, sotto il profilo informatico tu sia anche molto più preparato di me, anche se non conosci il linguaggio, che a mio avviso è abbastanza semplice, la sua particolarità principale è "lidentazione", e a mio avviso è sicuramente meno macchinoso di "C++" o altri. Prima di partire a razzo nel mondo della I.A. con particolare riferimento ai classificatori, deep learning, ecc... volevo chiederti se hai confidenza con linguaggi OOP... classi, funzioni ecc... che in python sono di casa.... così come dizionari, tuple, liste... ecc.... se vuoi, a me farebbe proprio piacere poter condividere con te qualche esperienza in questo settore.

Funziona, funziona, funziona. Quasi riscritto!!!! Grazie e in gamba! Ho dovuto levare /content/. nella parte read data... data = pd.read_csv("Dataset_Terremoti.csv")

Ciao, ho una domanda un po' particolare. Faccio girare un sistema esperto e tutti i dialoghi e risultati mi appaiono nella finestra del terminale. Se volessi che apparissero in una finestra aperta ad ok come dovrei modificare lo script del S.E. ? Grazie come sempre. Ezio

Ciao!🤗 L'approccio che hai menzionato utilizza la libreria Langchain e il modulo VectorstoreIndexCreator per creare un indice basato su diversi file PDF. Questo approccio può funzionare, ma ci potrebbero essere alternative che potresti considerare per rendere il tuo bot più intelligente e controllato. Puoi creare agente che utilizzi un approccio zero-shot, dove gli fornisci un prompt e gli chiedi di generare una risposta basata sulle informazioni fornite nei documenti. Puoi configurare il prompt in modo che richieda al modello di fornire una risposta solo se l'informazione è presente nell'indice dei documenti forniti. Puoi anche impostare la temperatura a 0 per rendere le risposte del modello più deterministiche e limitare l'inclusione di informazioni esterne non desiderate. Inoltre, puoi personalizzare ulteriormente il comportamento del tuo bot scrivendo delle regole aggiuntive. Ad esempio, puoi aggiungere una regola che verifichi se l'informazione richiesta è presente nell'indice dei documenti e, in caso contrario, il bot può restituire un messaggio di avviso o richiedere ulteriori informazioni. Ricorda che, nonostante i tuoi sforzi per limitare le risposte del bot alle sole informazioni fornite, l'utilizzo di modelli di linguaggio basati su trasformatori come GPT-3.5 implica una certa capacità di generazione di contenuti basati sulle conoscenze acquisite dal modello durante l'addestramento su Internet. Pertanto, è possibile che il bot fornisca risposte che vanno oltre i documenti forniti, anche se hai impostato restrizioni come la temperatura a 0. Ecco un esempio di come potresti configurare un agente utilizzando Langchain, lo Zero Shot Agent e il Vectorstore come toolkit, basato sulla documentazione che mi hai fornito: from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.text_splitter import CharacterTextSplitter from langchain import OpenAI, VectorDB from langchain.document_loaders import TextLoader from langchain.agents.agent_toolkits import ( create_vectorstore_agent, VectorStoreToolkit, VectorStoreInfo, ) # Carica il tuo documento loader = TextLoader("path_to_your_pdf_file.pdf") documents = loader.load() # Suddividi il testo in parti più piccole text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0) texts = text_splitter.split_documents(documents) # Crea gli embeddings embeddings = OpenAIEmbeddings() store = Chroma.from_documents(texts, embeddings, collection_name="your_collection_name") # Crea l'agente llm = OpenAI(temperature=0) # Imposta la temperatura a 0 per limitare la generazione di contenuti non pertinenti vectorstore_info = VectorStoreInfo( name="your_vectorstore_name", description="your_vectorstore_description", vectorstore=store, ) toolkit = VectorStoreToolkit(vectorstore_info=vectorstore_info) agent = create_vectorstore_agent(llm=llm, toolkit=toolkit, verbose=True) In questo esempio, l'agente è configurato per utilizzare solo le informazioni nel tuo documento PDF. Se l'agente non trova le informazioni nel tuo documento, non dovrebbe generare una risposta. Tuttavia, potrebbe essere necessario personalizzare ulteriormente l'agente per gestire specificamente i casi in cui non trova le informazioni richieste. Facci sapere se ti è stato utile 🤗

Grazie cmq!

Grazie! Volevo provare questo progetto anche perché mi sembrava alla mia portata visto che non sono programmatore di professione...ma sono interessato all'AI... siccome ho provato ha installare la libreria chatterbot sia su Google colab che su altri due ambienti di programmazione python ma non si installa e da errore, chiedevo appunto se era ancora attuale e funzionante...

Ciao, grazie mille per averci scritto 🤗 Allora per quanto riguarda il funzionamento del programma da noi proposto ci sono diversi motivi per il quale potrebbe non funzionare, ad esempio il sistema operativo installato... Comunque se sei interessato ad un programmino semplice, che possa girare su windows, non esitare a mandarci una email a python.ai.solution@gmail.com. Ti scriveremo una piccola demo gratuita da far girare anche online se ti dovesse servire . Per quanto riguarda il servizio intelligente sul Trading, capita spesso ultimamente che vada in crash per il troppo traffico. Quando ti fa la rotellina di caricamento non esitare a mandarci una mail o usare la chat del sito per dircelo, risolveremo al più presto. Al momento abbiamo ripristinato il servizio, facci sapere se riesci ad ad accedere. Grazie ancora per averci scritto e scusaci il disagio causato dal momentaneo mancato servizio intelligente del nostro sito 🤗 Per qualsiasi altro problema non esitare ad aprire un altra discussione sul forum o a contattarci direttamente, speriamo di esserti stati di aiuto 🤗

Cosa dire, grazie Martina e grazie Moderatori di I.A. Italia! Ho provato il SaaS ed è davvero carino ed ha già tutte le aggiunte che avrei voluto farci, ha funzionato benissimo e velocissimo. Anche il codice di Martina mi potrà essere molto utile, naturalmente dovrò studiare un bel po' prima di capirci davvero qualcosa ma già adesso, grazie a questi 2 esempi, ho le idee molto più chiare su come funziona questa tecnica. Grazie davvero per la disponibilità ed a presto! Mario

Attenzione, lo Stregatto, è disponibile anche senza installare nulla, ma devi far parte della community Discord, Se segui le istruzioni per la installazione in locale, hai bisogno di Docker, come supporto, che in definitiva è la via più semplice. In qualsiasi caso, sono a disposizione per eventuali altre comunicazioni.

Grazie mille!

Ciao Elia, ultimamente anche io mi sono appassionata alla Xai. Da quando ne ho letto su questo sito : https://www.intelligenzaartificialeitalia.net/post/intelligenza-artificiale-spiegabile-come-spiegare-un-modello-al-tuo-capo Per quanto riguarda l'implementazione di un modello BERT ti consiglio vivamente di usare quelli disponibili su HuggingFace, troverai oltre 8mila modelli già allenati, sicuramente ci sarà quello che cerchi. ( https://huggingface.co/models?search=bert ) Per implementare un qualsiasi modello ti serviranno solo 3 righe di codice from transformers import pipeline >>> unmasker = pipeline('fill-mask', model='bert-base-uncased') >>> unmasker("Hello I'm a [MASK] model.") [{'sequence': "[CLS] hello i'm a fashion model. [SEP]", 'score': 0.1073106899857521, 'token': 4827, 'token_str': 'fashion'}, {'sequence': "[CLS] hello i'm a role model. [SEP]", 'score': 0.08774490654468536, 'token': 2535, 'token_str': 'role'}, {'sequence': "[CLS] hello i'm a new model. [SEP]", 'score': 0.05338378623127937, 'token': 2047, 'token_str': 'new'}, {'sequence': "[CLS] hello i'm a super model. [SEP]", 'score': 0.04667217284440994, 'token': 3565, 'token_str': 'super'}, {'sequence': "[CLS] hello i'm a fine model. [SEP]", 'score': 0.027095865458250046, 'token': 2986, 'token_str': 'fine'}] Più nello specifico cosa volevi fare ?

Notavo che le auto più piccole (più lontane) vengono riconosciute più facilmente (ma non tutte!!!!!) rispetto a quelle in primo piano più grandi...

Forse questo codice può esserti utile è uno dei primi che ho trovato quando mi sono avvicinata all'I.A., anche io come te affascinata dalla semplicità di applicazione nell'ambito marketing e finanziario. import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline from matplotlib.pylab import rcParams rcParams['figure.figsize']=20,10 from keras.models import Sequential from keras.layers import LSTM,Dropout,Dense from sklearn.preprocessing import MinMaxScaler #carico file datase df=pd.read_csv("FileStoricoAzione.csv") df.head() df["Date"]=pd.to_datetime(df.Date,format="%Y-%m-%d") df.index=df['Date'] #grafico storico plt.figure(figsize=(16,8)) plt.plot(df["Close"],label='Storico prezzo di chiusura') #Ordino, filtro e normalizzo, data e chiusura. data=df.sort_index(ascending=True,axis=0) new_dataset=pd.DataFrame(index=range(0,len(df)),columns=['Date','Close']) for i in range(0,len(data)): new_dataset["Date"][i]=data['Date'][i] new_dataset["Close"][i]=data["Close"][i] scaler=MinMaxScaler(feature_range=(0,1)) final_dataset=new_dataset.values train_data=final_dataset[0:987,:] valid_data=final_dataset[987:,:] new_dataset.index=new_dataset.Date new_dataset.drop("Date",axis=1,inplace=True) scaler=MinMaxScaler(feature_range=(0,1)) scaled_data=scaler.fit_transform(final_dataset) x_train_data,y_train_data=[],[] for i in range(60,len(train_data)): x_train_data.append(scaled_data[i-60:i,0]) y_train_data.append(scaled_data[i,0]) x_train_data,y_train_data=np.array(x_train_data),np.array(y_train_data) x_train_data=np.reshape(x_train_data,(x_train_data.shape[0],x_train_data.shape[1],1)) #Costruisco il Modello neurale lstm_model=Sequential() lstm_model.add(LSTM(units=50,return_sequences=True,input_shape=(x_train_data.shape[1],1))) lstm_model.add(LSTM(units=50)) lstm_model.add(Dense(1)) inputs_data=new_dataset[len(new_dataset)-len(valid_data)-60:].values inputs_data=inputs_data.reshape(-1,1) inputs_data=scaler.transform(inputs_data) #compilo e alleno il modello lstm_model.compile(loss='mean_squared_error',optimizer='adam') lstm_model.fit(x_train_data,y_train_data,epochs=1,batch_size=1,verbose=2) #prendo un periodo di 60 giorni da predirre X_test=[] for i in range(60,inputs_data.shape[0]): X_test.append(inputs_data[i-60:i,0]) X_test=np.array(X_test) X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1)) predicted_closing_price=lstm_model.predict(X_test) predicted_closing_price=scaler.inverse_transform(predicted_closing_price) #Salvo il modello allenato da poter riutilizzare o vendere lstm_model.save("modello_previsioni_azioni_da_1_milione_di_dollari.h5") #Grafico previsione train_data=new_dataset[:987] valid_data=new_dataset[987:] valid_data['Predictions']=predicted_closing_price plt.plot(train_data["Close"]) plt.plot(valid_data[['Close',"Predictions"]]) Per esempio prova ad usare questo file CSV Spero possa aiutarti nel tuo progetto, buona serata.😀