| 0.01 | | [titolo] |
| 0.03 | | [frontespizio] |
| 0.04 | | [colophon] |
| 0.05 | | Sommario |
| 0.19 | | Introduzione |
| 0.19 | | Chi dovrebbe leggere questo libro |
| 0.20 | | Approccio presentato |
| 0.20 | | Che cosa non contiene questo libro |
| 0.21 | | Conoscere richieste |
| 0.21 | | Organizzazione del libro |
| 0.23 | | Percorsi di lettura |
| 0.24 | | Criteri di scelta dei servizi citati |
| 0.24 | | Strumentazione necessaria |
| 0.24 | | Dove trovare gli aggiornamenti |
| 0.24 | | __ |
| 0.25 | | L'autore |
| 0.27 | | Ringraziamenti |
| 0.28 | | ____ |
| | | {titolo} |
| 1 | Capitolo 1. | Intelligenza artificiale e umana |
| 1 | | Che cos'è l'intelligenza |
| 4 | | Differenze tra intelligenza e intelligence |
| 5 | | Dall'intelligenza umana a quella artificiale |
| 6 | | Definire l'intelligenza artificiale |
| 8 | | Confronti tra intelligenza umana e artificiale |
| 9 | | Intelligenza aumentata |
| 9 | | Cognitive computing |
| 9 | | Soft computing |
| 10 | | Il test di Turing |
| 12 | | Timori e problematiche |
| 14 | | Tematiche legali |
| 16 | | Cenni storici |
| 20 | | Oltre l'hype |
| 21 | | Rapporti con altre tecnologie |
| 21 | | Big data |
| 22 | | Cibernetica |
| 22 | | Cloud computing |
| 23 | | Data mining |
| 23 | | IoT |
| 23 | | Robotica |
| 24 | | Figure professionali |
| 25 | | Mappa mentale per riepilogare |
| 25 | | Rassegna di applicazioni |
| 27 | | Ulteriori letture consigliate |
| 28 | | Qualcosa di simpatico |
| 29 | | Riferimenti bibliografici |
| 32 | | Note |
| 35 | Capitolo 2. | Analisi economico-finanziaria delle aziende [ di Giandomenico De Franco ] |
| 35 | | L'autore |
| 35 | | Osservatori |
| 36 | | Osservatorio Artificial Intelligence |
| 36 | | Osservatorio IULM |
| 36 | | Analisi di Competitive Data |
| 38 | | Calcolo del bilancio medio settoriale |
| 40 | | Indici di redditività |
| 42 | | Conclusioni |
| 43 | | Note |
| 45 | Capitolo 3. | Progettazione dell'algoritmo |
| 45 | | Alcune domande iniziali |
| 47 | | Percorso di sviluppo |
| 49 | | Definizione del problema |
| 53 | | Analisi dati input e output |
| 53 | | Categoria della soluzione |
| 55 | | Scelta del paradigma |
| 59 | | Adeguare input e output |
| 59 | | Scrittura software |
| 59 | | Ottimizzare parametri |
| 59 | | Messa in esercizio |
| 59 | | Errore in esercizio |
| 60 | | AI driven experience |
| 61 | | Rasoio di Ockham |
| 61 | | Problematiche di scalabilità |
| 61 | | Scrivere la documentazione |
| 62 | | Scrivere un PoC |
| 63 | | Consigli per comunicare |
| 64 | | Ulteriori letture consigliate |
| 64 | | Riferimenti bibliografici |
| 65 | | Note |
| 67 | Capitolo 4. | Agente intelligente |
| 68 | | Che cos'è un agente |
| 68 | | Struttura dell'agente |
| 69 | | Metodologia di creazione |
| 70 | | Agente con riflessi semplici |
| 71 | | Agente con riflessi e stato |
| 72 | | Agente basato su obiettivi |
| 72 | | Agente basato su utilità |
| 72 | | Agente che apprende |
| 75 | Capitolo 5. | Evolutionary algorithm |
| 75 | | Idea di fondo |
| 75 | | Meccanismo di funzionamento |
| 76 | | Inizializzazione |
| 77 | | Valutazione |
| 77 | | Selezione |
| 77 | | Riproduzione |
| 77 | | Sostituzione |
| 78 | | Genetic algorithm |
| 79 | | Algoritmo di creazione |
| 80 | | Inizializzazione |
| 80 | | Valutazione |
| 81 | | Selezione |
| 83 | | Riproduzione |
| 84 | | Sostituzione |
| 84 | | Esempi |
| 84 | | Selezione |
| 85 | | Codice Gray |
| 85 | | Enigmistica |
| 85 | | Ottimizzazione |
| 86 | | Trading |
| 86 | | Rapporti con altri modelli |
| 87 | | Controllo fuzzy |
| 87 | | Neural network |
| 87 | | Libreria DEAP |
| 91 | | Funzionamento sul browser |
| 91 | | Altri approcci evolutivi |
| 93 | | Ulteriori letture consigliate |
| 93 | | Riferimenti bibliografici |
| 95 | | Note |
| 97 | Capitolo 6. | Expert system |
| 97 | | Idea di fondo |
| 97 | | Meccanismo di funzionamento |
| 98 | | Rappresentazione della conoscenza |
| 99 | | Motore di inferenza |
| 99 | | Logica proposizionale |
| 101 | | Approccio probabilistico |
| 101 | | Bayesian network |
| 102 | | Fuzzy logic |
| 103 | | Algoritmo di creazione |
| 103 | | Trasparenza del funzionamento |
| 104 | | Difficoltà nella creazione |
| 104 | | Ruolo dell'interfaccia utente |
| 105 | | Tipologie di applicazioni |
| 105 | | Libreria Experta |
| 110 | | Ulteriori letture consigliate |
| 110 | | Riferimenti bibliografici |
| 111 | | Note |
| 113 | Capitolo 7. | Fuzzy logic |
| 113 | | Idea di fondo |
| 113 | | Meccanismo di funzionamento |
| 114 | | Insieme fuzzy |
| 116 | | Variabile linguistica |
| 117 | | Proprietà degli insiemi fuzzy |
| 118 | | Operazioni sugli insiemi fuzzi |
| 118 | | Appartenenza |
| 118 | | Complemento not |
| 118 | | Intersezione and |
| 119 | | Unione or |
| 119 | | Altri elementi della logica |
| 119 | | Regole fuzzy |
| 119 | | Inferenza fuzzy |
| 122 | | Creazione del sistema fuzzy |
| 123 | | Svantaggi delle fuzzy logic |
| 123 | | Fuzzy logic e probabilità |
| 123 | | Trasparenza del ragionamento fuzzy |
| 124 | | Rapporti con altri modelli |
| 124 | | Neural network |
| 124 | | Sistemi esperti |
| 127 | | Fuzzy clustering |
| 124 | | Tipologie di applicazioni |
| 125 | | Sistema di controllo fuzzy |
| 131 | | Libreria scikit-fuzzy |
| 131 | | Fuzzy c-means clustering |
| 135 | | Sistema di decisione fuzzy |
| 137 | | Altri esempi |
| 137 | | Ulteriori letture consigliate |
| 138 | | Riferimenti bibliografici |
| 139 | | Note |
| 141 | Capitolo 8. | Machine learning |
| 141 | | Idea di fondo |
| 141 | | Meccanismo di funzionamento |
| 142 | | Vantaggi e svantaggi |
| 143 | | Differenza rispetto ad altri approcci |
| 143 | | Programmazione esplicita |
| 144 | | Data mining |
| 145 | | Data science |
| 145 | | Statistica |
| 146 | | Intelligenza artificiale |
| 146 | | Deep learning |
| 147 | | Categorie di soluzioni |
| 147 | | Classificazione |
| 149 | | Clustering |
| 149 | | Regressione |
| 149 | | Trovare anomalie |
| 149 | | Forme di apprendimento |
| 149 | | Supervised learning |
| 153 | | Unsupervised learning |
| 153 | | Semi-supervised |
| 153 | | Reinforcement |
| 153 | | Transfer |
| 154 | | Canvas |
| 155 | | Fogli di riepilogo |
| 155 | | Algoritmo di creazione |
| 156 | | Definizione del problema |
| 156 | | Pre-elaborazione dati, estrazione feature |
| 156 | | Scelta del modello e del learning |
| 157 | | Scrittura software |
| 157 | | Training e test del modello |
| 158 | | Errore ammissibile |
| 158 | | Messa in esercizio |
| 158 | | Errore in esercizio |
| 160 | | Un semplice esempio |
| 160 | | Ensemble machine learning |
| 163 | | Machine learning pipeline |
| 164 | | Machine learning con API |
| 165 | | Machine learning distribuito |
| 166 | | Machine learning su larga scala |
| 166 | | Machine learning nel browser |
| 167 | | Consigli operativi |
| 168 | | Riferimenti bibliografici |
| 169 | | Note |
| 171 | Capitolo 9. | Pre-elaborazione dei dati |
| 171 | | Preparare il giusto input |
| 172 | | Formato dei file |
| 173 | | Formati numerici |
| 173 | | CSV |
| 173 | | BMP, JPG, PNG, TIF |
| 175 | | DOC, DOCX, PDF, TXT |
| 175 | | JSON |
| 175 | | MP3 |
| 175 | | MP4 |
| 176 | | XLS, XLSX |
| 176 | | Dataset |
| 176 | | Raccolte online |
| 177 | | Creazione |
| 177 | | Amazon |
| 178 | | Doccano |
| 178 | | Generate |
| 180 | | Verificare il bilanciamento dal dataset |
| 180 | | Iris |
| 180 | | ImageNet |
| 180 | | MNIST |
| 182 | | Esplorazione preliminare |
| 182 | | Verificare la fonte |
| 182 | | Verificare il formato del file |
| 183 | | Visualizzare i dati |
| 183 | | Formato dei dati |
| 184 | | Ordine di grandezza |
| 184 | | Valori minimo, massimo, media |
| 184 | | Dati mancanti |
| 185 | | Esplorare i dati |
| 190 | | Altri strumenti utili |
| 190 | | Selezione delle feature |
| 192 | | Trasformare date in numeri |
| 193 | | Trasformare stringhe in numeri |
| 193 | | Codice ASCII |
| 193 | | Stringhe |
| 195 | | Elenco di opzioni |
| 195 | | Testo |
| 197 | | Altre trasformazioni numeriche |
| 197 | | Combinare in grande input |
| 197 | | Discretizzazione |
| 198 | | Binarizzazione |
| 199 | | Trasformazione generica |
| 199 | | Gestire valori anomali |
| 201 | | Ridimensionamento delle feature |
| 201 | | Standard scaler |
| 202 | | MinMaxScaler |
| 203 | | MaxAbsScaler |
| 203 | | RobustScaler |
| 204 | | Normalizzazione |
| 205 | | Riduzione della quantità di feature |
| 205 | | PCA |
| 209 | | LDA |
| 211 | | Algoritmo di pre-elaborazione |
| 211 | | Ulteriori letture consigliate |
| 211 | | Riferimenti bibliografici |
| 212 | | Note |
| 215 | Capitolo 10. | Valutazione del modello |
| 215 | | Idea di fondo |
| 215 | | Importanza della valutazione |
| 216 | | Quando fare la valutazione |
| 216 | | Definire gli obiettivi |
| 217 | | Scelta dei dati da provare |
| 217 | | Scelta delle metriche da usare |
| 218 | | Confrontare vari modelli |
| 218 | | Valutare la classificazione |
| 218 | | Accuratezza |
| 219 | | Log-Loss |
| 220 | | Confusion matrix |
| 223 | | Accuracy (Accuratezza) |
| 223 | | Precision (Precisione) |
| 223 | | Recall (Sensibilità, Percentuale di veri positivi, Richiamata) |
| 224 | | F1 |
| 224 | | Specificity (Percentuale di veri negativi, Specificità) |
| 224 | | Fall-out (Percentuale di falsi positivi) |
| 227 | | Curva ROC |
| 231 | | Valutare il clustering |
| 231 | | Adjusted Rand index |
| 232 | | Mutual Information based scores |
| 233 | | Homogeneity, completeness e V-measure |
| 233 | | Valutare la regressione |
| 234 | | MAE |
| 234 | | MSE |
| 235 | | RMSE |
| 235 | | R2 |
| 236 | | Analisi critica dei riultati |
| 237 | | Scrittura del rapporto |
| 237 | | Algoritmo per valutare |
| 238 | | Ulteriori letture consigliate |
| 238 | | Riferimenti bibliografici |
| 239 | | Note |
| 241 | Capitolo 11. | k-Nearest neighbors |
| 241 | | Idea di fondo |
| 241 | | Meccanismo di funzionamento |
| 243 | | Scikit-learn |
| 247 | | Ulteriori letture consigliate |
| 247 | | Riferimenti bibliografici |
| 248 | | Note |
| 249 | Capitolo 12. | Linear regression |
| 249 | | Idea di fondo |
| 249 | | Meccanismo di funzionamento |
| 250 | | Libreria Scikit-learn |
| 254 | | Note |
| 255 | Capitolo 13. | Logistic regression |
| 255 | | Idea di fondo |
| 255 | | Meccanismo di funzionamento |
| 257 | | Libreria Scikit-learn |
| 257 | | Classificatore binario |
| 258 | | Classificatore multi-classe |
| 259 | | Note |
| 261 | Capitolo 14. | Suppot Vector Machine |
| 261 | | Idea di fondo |
| 261 | | Meccanismo di funzionamento |
| 261 | | SVM lineare |
| 263 | | SVM non lineare |
| 264 | | SVM con classi |
| 264 | | Classi sbilanciate |
| 264 | | Una sola classe |
| 265 | | Support Vector Regression |
| 265 | | Algoritmo di creazione |
| 266 | | Vantaggi e svantaggi |
| 266 | | Rapporti con neural network |
| 267 | | Libreria Scikit-learn |
| 267 | | Grafico dei vettori di supporto |
| 268 | | Multi-classificazione |
| 271 | | Classi sbilanciate |
| 272 | | Con cross validation |
| 272 | | Regressione |
| 274 | | Trovare outlier |
| 275 | | Ulteriori letture consigliate |
| 275 | | Riferimenti bibliografici |
| 276 | | Note |
| 277 | Capitolo 15. | Decision tree |
| 277 | | Idea di fondo |
| 277 | | Meccanismo di funzionamento |
| 280 | | Foreste di alberi |
| 280 | | Libreria Scikit-learn |
| 283 | | Regressione |
| 284 | | Random Forest |
| 286 | | Ulteriori letture consigliate |
| 286 | | Riferimenti bibliografici |
| 287 | | Note |
| 289 | Capitolo 16. | Bayes and Naive Bayes |
| 289 | | Idea di fondo |
| 289 | | Meccanismo di funzionamento |
| 290 | | Teorema di Bayes |
| 291 | | Alcuni esempi |
| 292 | | Classificazione |
| 292 | | Naive Bayes |
| 293 | | Bayesian network |
| 296 | | Librerie Scikit-learn e Pgmpy |
| 296 | | Naive Bayes |
| 297 | | Bayesian network |
| 299 | | Ulteriori letture consigliate |
| 299 | | Riferimenti bibliografici |
| 300 | | Note |
| 301 | Capitolo 17. | Neural network |
| 301 | | Idea di fondo |
| 301 | | Neurone biologico e matematico |
| 303 | | Funzione a gradino |
| 303 | | Funzione lineare |
| 303 | | Funzione logistica |
| 304 | | Funzione ReLU |
| 304 | | Funzione softmax |
| 304 | | Neural network |
| 304 | | Vantaggi e svantaggi |
| 306 | | Differenza rispetto ad altri approcci |
| 306 | | Training |
| 306 | | Perceptron |
| 307 | | Scikit-learn |
| 309 | | Multi Layer Perceptron |
| 311 | | Funzione di errore |
| 312 | | Discesa del gradiente |
| 313 | | Algoritmo back propagation |
| 314 | | Evitare overfitting |
| 315 | | MLP auto-associativa |
| 315 | | Radial Basis Function |
| 316 | | Algoritmo di creazione |
| 318 | | Visualizzare i pesi |
| 318 | | Libreria Scikit-learn |
| 318 | | Classificazione immagini |
| 322 | | Regressione |
| 323 | | Libreria Keras |
| 325 | | Self Organized Map |
| 326 | | Unsupervised training |
| 328 | | Visualizzare la SOM |
| 329 | | Algoritmo di creazione |
| 330 | | Codice |
| 333 | | Recurrent Neural Network |
| 335 | | Codice |
| 336 | | Altri modelli |
| 337 | | Hopfield |
| 337 | | Boltzmann |
| 338 | | Risonanza adattativa ART |
| 338 | | Algoritmo per la creazione |
| 339 | | Neural network nel browser |
| 339 | | Ulteriori letture consigliate |
| 340 | | Riferimenti bibliografici |
| 341 | | Note |
| 343 | Capitolo 18. | Deep neural network |
| 343 | | Deep learning |
| 343 | | Tensore |
| 344 | | Framework e librerie |
| 344 | | TensorFlow |
| 348 | | Theano |
| 348 | | Keras |
| 349 | | CAFFE |
| 349 | | Pytorch |
| 349 | | Convolutional Neural Network |
| 349 | | Idea di fondo |
| 350 | | Meccanismo di funzionamento |
| 352 | | Convolutional layer |
| 353 | | Pooling layer |
| 354 | | Batch normalization layer |
| 354 | | Dropout layer |
| 354 | | Flatten layer |
| 354 | | Fully connected layer |
| 354 | | Vantaggi e svantaggi |
| 356 | | Differenza rispetto ad altri approcci |
| 356 | | Uso come estrattore di feature |
| 356 | | Modalità di training |
| 357 | | Transfer training |
| 358 | | Rassegna di modelli |
| 358 | | LeNet |
| 358 | | AlexNet |
| 358 | | GoogLeNet |
| 359 | | ResNet |
| 359 | | VGGNet |
| 359 | | Algoritmo di creazione |
| 359 | | Libreria Keras |
| 360 | | Punti di checkpoint |
| 360 | | Classificazione di immagini |
| 362 | | Elaborazione del linguaggio |
| 364 | | Visualizzazione di VGGNet |
| 364 | | Transfer learning |
| 368 | | GAN |
| 370 | | Deep learning nel browser |
| 371 | | Ulteriori letture consigliate |
| 372 | | Riferimenti bibliografici |
| 374 | | Note |
| 377 | Capitolo 19. | Reinforcement learning |
| 377 | | Idea di fondo |
| 377 | | Meccanismo di funzionamento |
| 381 | | Algoritmo di creazione |
| 381 | | Codice |
| 383 | | Ulteriori letture consigliate |
| 383 | | Riferimenti bibliografici |
| 384 | | Note |
| 385 | Capitolo 20. | Analisi uso di smartphone con IOT |
| 385 | | L'autore |
| 385 | | Scenario |
| 386 | | Approccio al problema |
| 387 | | Codice |
| 392 | | Fruizione del sistema |
| 392 | | Fruizione tramite servizio |
| 392 | | Funzione embedded |
| 393 | | Note |
| 395 | Capitolo 21. | Sales forecast |
| 395 | | L'autore |
| 395 | | Scenario |
| 396 | | Approccio al problema |
| 397 | | Codice |
| 404 | | Note |
| 404 | | Aggiornamenti online |
| 404 | | _ |
| 404 | | ___ |
