The purpose of this report is to explain how basic Machine Learning and Deep Learning works with everything that is involved with it: why it is so popular and why it gets even more importance in the programming world day by day, using some real life examples. First of all, I must explain what is the real meaning of Machine Learning and Deep Learning. I will explain, for each one, some useful algorithms for problems solving. At the end, I will show the techniques with the help of the programming language Python. In the codes I will be using real datasets (CSV files filled with data) taken by the Kaggle website, an online community of data scientists and machine learners, owned by Google LLC. Python is an interpreted, high-level, general-purpose programming language. It can be used both OOP (Object-oriented programming) and imperative programming. It offers Scikit-learn, which is a free software machine learning library for the Python programming language. Regarding Deep Learning, other frameworks are necessary and Tensorflow and Keras are the commonly used. For improved performance, I could take advantage of the remote use of a GPU machine, a processor designed to handle graphics operations, which tends to compute Deep Learning algorithms faster because of its high power.

Lo scopo di questa tesi è quello di spiegare come funzionano le basi del Machine Learning (in italiano, Apprendimento Automatico), del Deep Learning e tutto ciò che ne deriva: come mai è così popolare e come mai acquista sempre maggiore importanza nel mondo della programmazione giorno dopo giorno, tramite l’utilizzo di alcuni esempi comuni applicabili alla vita reale. Prima di tutto, devo iniziare a spiegare qual’è il vero significato dietro il Machine Learning e il Deep Learning. Per ognuno spiegherò alcuni algoritmi utili per la risoluzione di problemi (Problem Solving). Alla fine, sono riportate tutte le tecniche riportate tramite l’utilizzo del linguaggio di programmazione Python. Nel codice si fa utilizzo di dati reali (dei file CSV riempiti di dati) presi dal sito internet di Kaggle, una comunità online di ’data scientists’ e ’machine learners’ (ovvero praticanti della materia qui trattata), di proprietà di Google LLC. Python è un linguaggio interpretato, di alto livello e con fini dediti alla programmazione generale. Può essere usato sia come OOP (programmazione orientata agli oggetti) oppure come linguaggio imperativo. Inoltre offre Scikit-learn, una libreria software gratuita utilizzabile nel linguaggio di programmazione Python. Per quanto riguarda il Deep Learning invece, sono necessari altri framework e Tensorflow e Keras sono quelli più utilizzati. Per migliorare i risultati dello studio, ho potuto avere il vantaggio di utilizzare da remoto una macchina GPU, ovvero un processore efficiente nella manipolazione di operazioni grafiche, il quale tende a compilare gli algoritmi di Deep Learning più velocemente grazie alla sua enorme potenza.

Tecniche di Machine Learning e Deep Learning

LAUDENZI, GUIDO
2019/2020

Abstract

The purpose of this report is to explain how basic Machine Learning and Deep Learning works with everything that is involved with it: why it is so popular and why it gets even more importance in the programming world day by day, using some real life examples. First of all, I must explain what is the real meaning of Machine Learning and Deep Learning. I will explain, for each one, some useful algorithms for problems solving. At the end, I will show the techniques with the help of the programming language Python. In the codes I will be using real datasets (CSV files filled with data) taken by the Kaggle website, an online community of data scientists and machine learners, owned by Google LLC. Python is an interpreted, high-level, general-purpose programming language. It can be used both OOP (Object-oriented programming) and imperative programming. It offers Scikit-learn, which is a free software machine learning library for the Python programming language. Regarding Deep Learning, other frameworks are necessary and Tensorflow and Keras are the commonly used. For improved performance, I could take advantage of the remote use of a GPU machine, a processor designed to handle graphics operations, which tends to compute Deep Learning algorithms faster because of its high power.
2019
2020-10-30
Machine Learning and Deep Learning techniques
Lo scopo di questa tesi è quello di spiegare come funzionano le basi del Machine Learning (in italiano, Apprendimento Automatico), del Deep Learning e tutto ciò che ne deriva: come mai è così popolare e come mai acquista sempre maggiore importanza nel mondo della programmazione giorno dopo giorno, tramite l’utilizzo di alcuni esempi comuni applicabili alla vita reale. Prima di tutto, devo iniziare a spiegare qual’è il vero significato dietro il Machine Learning e il Deep Learning. Per ognuno spiegherò alcuni algoritmi utili per la risoluzione di problemi (Problem Solving). Alla fine, sono riportate tutte le tecniche riportate tramite l’utilizzo del linguaggio di programmazione Python. Nel codice si fa utilizzo di dati reali (dei file CSV riempiti di dati) presi dal sito internet di Kaggle, una comunità online di ’data scientists’ e ’machine learners’ (ovvero praticanti della materia qui trattata), di proprietà di Google LLC. Python è un linguaggio interpretato, di alto livello e con fini dediti alla programmazione generale. Può essere usato sia come OOP (programmazione orientata agli oggetti) oppure come linguaggio imperativo. Inoltre offre Scikit-learn, una libreria software gratuita utilizzabile nel linguaggio di programmazione Python. Per quanto riguarda il Deep Learning invece, sono necessari altri framework e Tensorflow e Keras sono quelli più utilizzati. Per migliorare i risultati dello studio, ho potuto avere il vantaggio di utilizzare da remoto una macchina GPU, ovvero un processore efficiente nella manipolazione di operazioni grafiche, il quale tende a compilare gli algoritmi di Deep Learning più velocemente grazie alla sua enorme potenza.
File in questo prodotto:
File Dimensione Formato  
Laudenzi Guido - Tesi.pdf

Open Access dal 30/10/2023

Dimensione 5.67 MB
Formato Adobe PDF
5.67 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/3563