Vai al contenuto
Python per il Calcolo Scientifico
1.2.5 - Gestione delle eccezioni
Inizializza la ricerca
Python per il Calcolo Scientifico
Home
Modulo 1 - Il linguaggio Python
Modulo 1 - Il linguaggio Python
1.1 - Concetti introduttivi
1.1 - Concetti introduttivi
1.1.1 - Introduzione al Python
1.1.2 - Operatori
1.1.3 - Stringhe
1.1.4 - Liste
Esercitazione 1.1
1.2 - Programmare in Python
1.2 - Programmare in Python
1.2.1 - Sintassi fondamentale
1.2.2 - Programmazione strutturata
1.2.3 - Funzioni
1.2.4 - Altre strutture dati
1.2.5 - Gestione delle eccezioni
1.2.5 - Classi
1.2.6 - Script, moduli e package
Esercitazione 1.2
1.3 - Concetti avanzati
1.3 - Concetti avanzati
1.3.1 - Il modulo argparse
Modulo 2 - Librerie per il calcolo scientifico
Modulo 2 - Librerie per il calcolo scientifico
2.1 - Jupyter Lab
2.2 - NumPy
2.2 - NumPy
2.2.1 - Introduzione a NumPy
2.2.2 - Gli Array
2.2.3 - Operazioni fondamentali sugli array
2.2.4 - Algebra in NumPy
2.2.5 - Polinomi in NumPy
2.2.6 - Statistica in NumPy
Esercitazione 2.2
Esercitazione 2.2
Tracce
Soluzioni
2.3 - Pandas
2.3 - Pandas
2.3.1 - Introduzione a Pandas
2.3.2 - Le Series
2.3.3 - Input/Output in Pandas
2.3.4 - Manipolazione dei DataFrame
2.4 - Visualizzazione dei dati in Python
2.4 - Visualizzazione dei dati in Python
2.4.1 - Matplotlib
2.4.2 - Seaborn
Esercitazione 2.4
Modulo 3 - Machine learning
Modulo 3 - Machine learning
3.1 - Concetti di machine learning
3.1 - Concetti di machine learning
3.1.1 - Introduzione all'intelligenza artificiale
3.1.2 - Introduzione al machine learning
3.1.3 - Definizione del problema
3.1.4 - Preparazione dei dati
3.1.5 - Task, predizione ed esperienza
3.1.6 - Generalizzazione
3.1.7 - Iperparametri
3.1.8 - Regolarizzazione
3.2 - Regressione lineare
3.3 - Regressione logistica
3.4 - Alberi
3.4 - Alberi
3.4.1 - Alberi decisionali
3.4.2 - Foreste decisionali
3.4.3 - Gradient boosted trees
3.5 - Clustering
3.6 - Metriche
3.6 - Metriche
3.6.1 - Metriche di classificazione
3.6.2 - Metriche di regressione
3.6.3 - Metriche di clustering
3.7 - Problemi aperti
3.7 - Problemi aperti
3.7.1 - Curse of dimensionality
Modulo 4 - Scikit-Learn
Modulo 4 - Scikit-Learn
4.1 - Introduzione a Scikit-Learn
4.2 - Modelli lineari
4.2 - Modelli lineari
4.2.1 - Metriche di regressione
4.2.2 - Regressione lineare e robusta
4.2.3 - Regressione logistica
Esercitazione 4.2
4.3 - Stimatori
4.3 - Stimatori
4.3.1 - Metriche di classificazione
4.3.2 - Classificatori e regressori
Esercitazione 4.3
4.4 - Clustering
4.4 - Clustering
4.4.1 - Metriche di clustering
4.4.2 - Algoritmi di clustering
Esercitazione 4.4
4.5 - Concetti avanzati
4.5 - Concetti avanzati
4.5.1 - Pipeline
4.5.2 - Preprocessing su dataframe
4.5.3 - Cross-validazione
4.5.3 - Cross-validazione
4.5.3.1 - Introduzione
4.5.3.2 - Strategie di cross-validazione
4.5.3.3 - Permutation score
4.5.4 - Feature selection
4.5.5 - Ottimizzazione degli iperparametri
Esercitazione 4.5
Modulo 5 - Deep learning
Modulo 5 - Deep learning
5.1 - Introduzione alle reti neurali
5.2 - Autoencoder
5.2 - Autoencoder
5.2.1 - Introduzione agli autoencoder
5.2.2 - Undercomplete autoencoder
5.2.3 - Sparse autoencoder
5.2.4 - Denoising autoencoder
5.2.5 - Variational autoencoder
5.3 - Recurrent Neural Networks
5.3 - Recurrent Neural Networks
5.3.1 - Introduzione alle recurrent neural netowrk
Modulo 6 - TensorFlow
Modulo 6 - TensorFlow
6.1 - Basi di TensorFlow
6.1 - Basi di TensorFlow
6.1.1 - Introduzione a TensorFlow
6.1.2 - Dataset
6.1.3 - Callbacks
6.1.4 - Transfer learning e fine tuning
6.1.5 - Dropout e regolarizzazione
6.1.6 - Layer e Model
Appendici
Appendici
A - Setup di Python e Visual Studio Code
B - Setup di TensorFlow
C - Le librerie in Python
D - Ambito di una variabile
E - Programmazione orientata agli oggetti
F - Tips
Ringraziamenti
1.2.5 - Gestione delle Eccezioni
¶
In arrivo!