Esplora le tappe fondamentali che hanno segnato lo sviluppo dell'AI, dai primi algoritmi alle reti neurali moderne.
Un quadro decisionale per valutare quando e come un'architettura SLM-first con router e fallback può superare i sistemi LLM-only, riducendo costi e latenza senza sacrificare la qualità.
Segnali dal mercato del lavoro del Regno Unito indicano una forte contrazione, con un calo significativo delle offerte per neolaureati. L'AI sta ridefinendo il panorama lavorativo e formativo, ponendo nuove sfide per scuole e università nel preparare una generazione capace di governare la trasformazione digitale.
Una ricerca dell'Università di Bamberga dimostra che la sensibilità alle variazioni linguistiche nelle istruzioni non è un difetto esclusivo dell'intelligenza artificiale, ma una caratteristica sorprendentemente condivisa anche dagli annotatori umani
Questo post è basato sul “ROI of AI 2025” report di Google Cloud, che ha analizzato le risposte di 3.466 dirigenti aziendali globali. I dati mostrano che siamo entrati ufficialmente nell‘era agentica dell‘AI, con implicazioni profonde per ogni settore e organizzazione
Una review facile da digerire del paper Sufficient Context: A New Lens on Retrieval Augmented Generation Systems, presentato a ICLR 2025
Una provocazione filosofica: e se l'idea più radicale della filosofia medievale fosse silenziosamente diventata la nostra realtà quotidiana? Ogni volta che interagiamo con l'AI, potremmo entrare in uno spazio che un pensatore andaluso del XII secolo aveva immaginato e per cui fu condannato
In un mondo tecnologico in continua evoluzione, valutare correttamente un progetto di Generative AI è cruciale. Questo articolo guida i lettori attraverso un approccio consulenziale per distinguere progetti validi da quelli fallimentari, enfatizzando l'importanza di comprendere il problema prima di adottare la tecnologia.
Il rapporto 'The GenAI Divide – State of AI in Business 2025' esplora il divario tra l'entusiasmo per l'Intelligenza Artificiale Generativa e i benefici aziendali concreti, evidenziando la necessità di superare il learning gap per ottenere impatti misurabili.
Il modello di distribuzione di SageMaker prevede l'incapsulamento dei modelli ML/DL in immagini Docker. Semplificando, da un'immagine, è dinamicamente generato un container che è eseguito automaticamente su un'istanza EC2 dedicata e ottimizzata per l'impiego ML.
An increasing number of articles suggest fascinating combinations of Blockchain and Machine Learning. It could be useful to introduce some intuitions about what is a blockchain, before venturing forth.
Ogni trend tecnologico si sviluppa attraverso una successione di fasi che ne caratterizza il processo di maturazione: dall'emersione alla sua accettazione. Analisi del posizionamento dell'apprendimento automatico nel ciclo dell'esagerazione di Gartner.
A complete tutorial on training a computer to recognize human emotions through facial expressions using Python, OpenCV, and machine learning techniques. Learn how to process datasets, detect faces, and build an emotion classifier.
XGBoost model is a supervised machine learning algorithm that takes in the training data and constructs a model that predicts the outcome of new data instances. Learn XGBoost installation, data preparation, model training, prediction, and hyperparameters tuning.
Decisions trees have been extensively and actively involved in various application domains with great success. We will discuss the decision trees in this context.
Here's the best collection of cheat sheets about Machine Learning. Squeezed into a set of short tips and schemes, these visual guides help you quickly learn and refresh your knowledge.
Come estrarre tracce audio da filmati, eseguire conversione del parlato in testo (speech to text) ed estrarre conoscenza dal testo non strutturato della trascrizione utilizzando IBM Watson Developer Cloud e Python.
An open source library made by google for being used in Machine Learning problems, specially problems related to Neural Networks. Discover TensorFlow through a practical RNN example with MNIST dataset.
In this article I will show how a normal big data/machine learning project progresses, taking in account the stream processing and analysis part. I will try to functionally position a wide variety of Apache projects such as Sqoop, Flume, Kafka, Hadoop, Storm, Spark, Samza, Flink, Beam, Oozie, Thrift.
I would like to introduce in this post some specific CNN implementations which are able to offer a cognitive image processing that is very close to the state of the art. The exemplary code is based on the use of MXNet framework combined with the Python language.
Tools based on visual representations of social networks are important to understand network data and convey the result of the analysis. Visualization facilitates qualitative interpretation of network data. This kind of tools helps us to identify key influencers, contents, and to focalize attention on interesting users optimizing our time.
Guida completa all'identificazione di oggetti in immagini usando le reti neurali convoluzionali con MXNet e Python. Dalla teoria all'implementazione pratica.
Un'operazione di filtraggio importante, nella processazione dei dataset, consiste nella rimozione delle stop word. In questo post propongo due esempi di implementazione di tale filtraggio basati nell'ambiente Knime. Il secondo esempio, in particolare, fonde la sintesi e la ricchezza di Python con la comodità di impiego di Knime: una coppia eccezionale, come vedremo.
Talvolta può essere necessario operare, per scopi dimostrativi o altre ragioni, su un corpus di dimensioni modeste consistente di documenti redatti in una lingua specifica e calati su argomenti particolari. In questo post propongo un notebook ipython con il codice per generare un corpus siffatto riducendo al minimo le complicazioni tecniche.
Trattazione di metriche di pesatura TF-IDF e trasformazioni pari-dimensionali per la rappresentazione vettoriale di documenti nel machine learning
Una panoramica sui modelli di rappresentazione vettoriale dei documenti e le tecniche di riduzione di dimensionalità: LSA, NMF, Random Indexing, LDA e HDP per il topic modeling.
Riassunto completo e approfondito della teoria che è alla base dei classificatori bayesiani e di una varietà di altri modelli probabilistici. Le nozioni sono utili per la comprensione degli appunti di Fondamenti relativi alle trasformazioni con riduzione di dimensionalità basate su modelli probabilistici generativi.
Primo post della serie 'Fondamenti' che fornisce una panoramica delle principali tecniche utilizzate per estrarre automaticamente conoscenza da testo non strutturato, con focus sul topic modeling e l'analisi della distribuzione delle parole.
Gephi è un visualizzatore interattivo e una piattaforma di esplorazione per tutti i tipi di reti e sistemi complessi, dinamici e grafi gerarchici.
L'apprendimento automatico include una varietà di algoritmi e metodologie il cui fine è la modellazione delle variazioni di una o più grandezze assunte come variabili dipendenti in funzione delle variazioni di altre grandezze dette variabili indipendenti.