Grazie per questo messaggio che mi fa veramente piacere, come mi fa piacere che lei si stia interessando a Cheshire cat A.I. con il quale, credo si possa "giocare", (vedasi il mio plugin Nostradamus), ma anche fare cose ben più serie, come evidenziato anche dai molti plugin professionali che stanno prendendo sempre più strada. Per quanto riguarda il libro, spero che, anche se scritte da un LLM o disegnate da appositi algoritmi, ci siano degli spunti per delle riflessioni a riguardo di poesie e immagini artificiali. Buona lettura.

Allego anche i grafici di tensorboard

Ciao Paolo, in primis grazie mille per la celere risposta e il supporto. Ho usato il codice che mi hai fornito apportando delle piccole modifiche che provo a riportare di seguito   df['SCADENZA'] = pd.to_datetime(df['SCADENZA'], format='%d/%m/%Y').astype("int64") / 10**9 df['TARGET'] = pd.to_datetime(df['DATA_INVIO_FILE'], format='%d/%m/%Y', errors='coerce').notna().astype(int) df['DATA_INVIO_FILE'] = pd.to_datetime(df['DATA_INVIO_FILE'], format='%d/%m/%Y', errors='coerce').astype("int64") / 10**9 def clean_numeric(df, columns): for col in columns: df.loc[:, col] = (df[col] .astype(str) .str.strip() .str.replace('.', '') .str.replace(',', '.') .str.replace('-', '') .replace('', np.nan) .astype(float)) return df .... def ML(mode): conn = sqlite3.connect('../MachineLearning.db') query = "SELECT SCADENZA,PORTAF,TIPO_CR,LAG,TIPO_DOCUMENTO,TIPO_FF,FACTOR,PERC,NETTOSPLIT,IMPORTO1,IMPORTO2,DATA_INVIO_FILE FROM Dati" # Assuming TARGET is also in this query df = pd.read_sql_query(query, conn) conn.close() numerical_features = ['PERC', 'NETTOSPLIT', 'IMPORTO1', 'IMPORTO2'] df = clean_numeric(df, numerical_features) numerical_features.extend(['SCADENZA', 'DATA_INVIO_FILE']) categorical_features = ['PORTAF', 'TIPO_CR', 'LAG', 'TIPO_DOCUMENTO', 'TIPO_FF', 'FACTOR'] .....Olltre ad aver aggiungo la scrittura dei csv per alcuni punti per vedere i dati come vengono elaborati. Allego il codice completo. Purtroppo continua ad andare Overfitting. Sto analizzando i dati elaborati, per capire: Cosa Estrae Come li "Converte" Su cosa si Addestra e cosa mi tira fuori alla fine dell'addestramento Nel mentre tu hai qualche altro consiglio da potermi fornire ?

import sqlite3 import pandas as pd from sklearn.compose import ColumnTransformer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.model_selection import train_test_split from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.callbacks import TensorBoard from imblearn.over_sampling import SMOTE def preprocess_data(df): # Gestione dei valori mancanti df.fillna(method='ffill', inplace=True) # Conversione delle date in timestamp df['SCADENZA'] = pd.to_datetime(df['SCADENZA']).astype(int) / 10**9 df['DATA_INVIO_FILE'] = pd.to_datetime(df['DATA_INVIO_FILE']).astype(int) / 10**9 # Separazione delle features e target features = df.drop(columns=['TARGET']) target = df['TARGET'] return features, target def build_preprocessor(numerical_features, categorical_features): preprocessor = ColumnTransformer( transformers=[ ('num', StandardScaler(), numerical_features), ('cat', OneHotEncoder(), categorical_features) ]) return preprocessor def build_model(input_shape): model = Sequential([ Dense(64, activation='relu'), Dropout(0.3), Dense(32, activation='relu'), Dropout(0.3), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) return model def ML(mode): conn = sqlite3.connect('../MachineLearning.db') query = "SELECT * FROM Dati" # Assuming TARGET is also in this query df = pd.read_sql_query(query, conn) conn.close() numerical_features = ['PERC', 'NETTOSPLIT', 'IMPORTO1', 'IMPORTO2', 'SCADENZA', 'DATA_INVIO_FILE'] categorical_features = ['PORTAF', 'TIPO_CR', 'LAG', 'TIPO_DOC', 'TIPO_FF', 'FACTOR'] features, target = preprocess_data(df) preprocessor = build_preprocessor(numerical_features, categorical_features) X = preprocessor.fit_transform(features) y = target.values # Bilanciamento del dataset smote = SMOTE(random_state=42) X_res, y_res = smote.fit_resample(X, y) # Training e validation split X_train, X_val, y_train, y_val = train_test_split(X_res, y_res, test_size=0.2, random_state=42) if mode == 'train': model = build_model(X_train.shape[1]) log_dir = './logs' tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1) model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val), callbacks=[tensorboard_callback]) model.save('data/trained_model.h5') print("Addestramento completato. Il modello è stato salvato in 'trained_model.h5'.") print(f"TensorBoard logs salvati in: {log_dir}") elif mode == 'predict': model = tf.keras.models.load_model('data/trained_model.h5') X_predict = preprocessor.transform(features) # Assuming predict_df corresponds to some portion of features predictions = model.predict(X_predict) df['PREDICTION'] = (predictions > 0.5).astype(int) df.to_csv('risultati_previsione.csv', index=False) print("Predizione completata. I risultati sono stati salvati in 'risultati_previsione.csv'.") # Usage example: ML('train') or ML('predict')

Probabilmente hai un contatore che non è ben dimensionato, attenzione che gli indici partono da 0 e non da 1.... stai iterando con un indice che raggiunge un numero che non rientra nell'indice della lista... da quello che riesco ad interpretare, l'indice j di una delle tre liste, oltrepassa il limite. Sappimi dire...

Ok eccolo: Last login: Sat Apr 16 16:29:33 on ttys000 iMac-di-Ezio:~ eziopagliarino$ cd '/Users/eziopagliarino/Desktop/Sistema esperto MODIFICATO/' && '/usr/local/bin/python3' '/Users/eziopagliarino/Desktop/Sistema esperto MODIFICATO/medical_expert_system.py' && echo Exit status: $? && exit 1 Ciao! Sono qui per aiutarti a migliorare la tua salute. Per questo dovrai rispondere ad alcune domande sulle tue condizioni Accusi qualcuno dei seguenti sintomi ?: Fatica: no Bassa temperatura corporea: no Tosse: no Occhi infossati: si Irrequietezza: si Svenimento: no Dolore al petto: si Febbre: no Mal di gola: si Nausea: si Visione offuscata: si Mal di testa: si Mal di schiena: no Non ho trovato alcuna malattia che corrisponda ai tuoi sintomi esatti Traceback (most recent call last): File "/Users/eziopagliarino/Desktop/Sistema esperto MODIFICATO/medical_expert_system.py", line 228, in engine.run() # Run it! File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/site-packages/experta/engine.py", line 165, in run activation.rule( File "/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/site-packages/experta/rule.py", line 87, in __call__ return self._wrapped(*args, **kwargs) File "/Users/eziopagliarino/Desktop/Sistema esperto MODIFICATO/medical_expert_system.py", line 215, in not_matched if(temp_list[j] == lis[j] and lis[j] == "si"): IndexError: list index out of range iMac-di-Ezio:Sistema esperto MODIFICATO eziopagliarino$

Quando vuoi, sai che qualche dritta, se ci riesco te la posso indicare, tieni presente che, forse, per fare ciò da te richiesto, l percorso è lungo e dovrai approcciarti a TensorFlow, Keras, Pandas e ad altri moduli basilari per il trattamento dei dati e delle immagini. In questo senso, potresti prendere una spunto ad esempio da qui: https://amslaurea.unibo.it/17606/1/tesi.pdf

O nel browser o con tkinter, ad esempio.... (python lavora come terminale di solito....) ma puoi usare qualcosa del genere per il web: ... from http import server PAGE="""\ testo """ .... try: address = ('', 8000) server = StreamingServer(address, StreamingHandler) server.serve_forever() finally: camera.stop_recording()

Non vedo l'allegato... puoi fare copia incolla almeno del testo dell'errore?

Come allievo devo dire che sono una frana, completamente, perchè quel piccolo esempio che mi hai fatto è come far comprendere il greco ad un turco (che non abbia studiato greco!). Voglio dire che se non riesco ad afferrare l'uso, non riesco a capire. Ho trovato qualche porzione di codice per sistemi esperti, che naturalmente non girano, perchè ci sono sempre errori, e non riesco a comprenderli. Ho l'impressione di essermi messo in un'impresa titanica..... Sono un coraggioso ma non fino a questo punto. Abbi tanta pazienza....

Se non hai tanta fretta, a breve dovrebbe uscire questo libro in edicola, che forse potrebbe esserti utile, ma se hai tanta fretta allora il mio consiglio è quello di vedere alcuni tutorial su python, se credi, ti posso dare dei suggerimenti.

Complimenti per il risultato della ricerca! Se vuoi, ho trovato anche un'altro link: https://amslaurea.unibo.it/17606/1/tesi.pdf

Perfect! Grazie😘

Ciao Romeo, gentile come sempre. Per tornare un attimo (con una macchina del tempo virtuale) a quei fascinosi anni 80, ti dirò che dopo aver usato i vari Sinclair ZX 80, 81, sono passato ai vari Sharp e finalmente approdato in Apple perchè ho vinto un concorso di programmazione progettando una contabilità per azienda agraria partendo da un testo che trattava questo argomento. In palio c'era un Mac 128 k, che ho espanso, poi passato a tutti i tipi di mac da allora, e finalmente all' iMac attuale.Mi sono anche lanciato nella musica elettronica di cui sono un grande appassionato, costruendo sintetizzatori, organi, batterie elettroniche e diavolerie varie per non farmi mancare nulla. Il Commodore 64, che adoro, l'ho nuovamente usato durante il lockdown del 2020 e ne sono ancora ammirato ora! Venendo all'interfaccia io uso Atom, e per allargare ancora un po' il discorso sulle mie aspettative ti dirò che mi piacerebbe arrivare ad un progetto che, partendo da una base di conoscenza sui vegetali, che riporti le caratteristiche specifiche di ogni specie, la scandagliasse in base alle mie richieste e al termine sapesse indicarmi la specie con quelle particolari caratteristiche. In basic era stato abbastanza semplice, ma non so nulla di python e quindi ho bisogno di aiuto. Grazie per avermi letto e spero che la cosa mi riesca, con il tuo aiuto. Ezio