book

Machine learning pratico con Scikit-Learn e PyTorch

Name: Machine learning pratico con Scikit-Learn e PyTorch
Author: Aurélien Géron
ISBN: 0642572270070

by Aurélien Géron

October 2025

Intermediate to advanced

878 pages

28h 57m

Italian

O'Reilly Media, Inc.

Read now

Unlock full access

Prefazione
L'apprendimento automatico nei tuoi progettiObiettivo e approccioEsempi di codicePrerequisitiTabella di marciaCambiamenti tra le versioni di TensorFlow e PyTorchAltre risorseConvenzioni utilizzate in questo libroFormazione online di O'ReillyCome contattarciRingraziamenti
I. I fondamenti dell'apprendimento automatico
1. Il panorama del Machine Learning
Cos'è l'apprendimento automatico?Perché usare l'apprendimento automatico?Esempi di applicazioniTipi di sistemi di apprendimento automaticoSupervisione della formazioneApprendimento batch contro apprendimento onlineApprendimento basato su istanze o su modelliPrincipali sfide dell'apprendimento automaticoQuantità insufficiente di dati di formazioneDati di formazione non rappresentativiDati di scarsa qualitàCaratteristiche irrilevantiOverfitting dei dati di formazioneSottoadattamento dei dati di formazioneProblemi di implementazioneFare un passo indietroTest e convalidaRegolazione degli iperparametri e selezione del modelloDisadattamento dei datiEsercizi
2. Progetto di apprendimento automatico end-to-end
Lavorare con dati realiGuardare al quadro generaleInquadrare il problemaSelezionare una misura delle prestazioniVerifica le ipotesiOttenere i datiEseguire gli esempi di codice con Google ColabSalvare le modifiche al codice e i datiIl potere e il pericolo dell'interattivitàCodice a libro contro codice a quadernoScaricare i datiDai un'occhiata veloce alla struttura dei datiCreare un set di provaEsplorare e visualizzare i dati per ottenere approfondimentiVisualizzare i dati geograficiCercare correlazioniSperimentare le combinazioni di attributiPreparare i dati per gli algoritmi di apprendimento automaticoPulire i datiGestire gli attributi testuali e categoriciScalatura e trasformazione delle caratteristicheTrasformatori personalizzatiPipeline di trasformazioneSelezionare e addestrare un modelloAddestramento e valutazione sul set di addestramentoValutazione migliore con la convalida incrociataMettere a punto il modelloRicerca a grigliaRicerca randomizzataMetodi EnsembleAnalizzare i modelli migliori e i loro erroriValutare il sistema sul set di testAvvio, monitoraggio e manutenzione del sistemaProva!Esercizi
3. Classificazione
MNISTAddestramento di un classificatore binarioMisure di performanceMisurare l'accuratezza con la convalida incrociataMatrici di confusionePrecisione e richiamoIl trade-off tra precisione e richiamoLa curva ROCClassificazione multiclasseAnalisi degli erroriClassificazione multilingueClassificazione multioutputEsercizi
4. Formazione dei modelli
Regressione lineareL'equazione normaleComplessità computazionaleDiscesa del gradienteDiscesa del gradiente in batchDiscesa del gradiente stocasticaMini-Batch Gradient DescentRegressione polinomialeCurve di apprendimentoModelli lineari regolarizzatiRegressione di crestaRegressione LassoRegressione a rete elasticaArresto anticipatoRegressione logisticaStima delle probabilitàFormazione e funzione di costoLimiti decisionaliRegressione SoftmaxEsercizi
5. Alberi decisionali
Formazione e visualizzazione di un albero decisionaleFare previsioniStimare le probabilità delle classiL'algoritmo di formazione CARTComplessità computazionaleImpurità o Entropia di Gini?Iperparametri di regolarizzazioneRegressioneSensibilità all'orientamento degli assiGli alberi decisionali hanno un'alta varianzaEsercizi
6. Apprendimento in ensemble e Foreste casuali
Classificatori di votoBagging e PastingInsaccamento e incollaggio in Scikit-LearnValutazione fuori saccoPatch e sottospazi casualiForeste casualiAlberi extraImportanza delle caratteristicheBoostingAdaBoostIncremento del gradienteIncremento del gradiente basato su istogrammiAccatastamentoEsercizi
7. Riduzione della dimensionalità
La maledizione della dimensionalitàPrincipali approcci per la riduzione della dimensionalitàProiezioneApprendimento a collettorePCAPreservare la varianzaComponenti principaliProiezione su d dimensioniUsare Scikit-LearnRapporto di varianza spiegataScegliere il giusto numero di dimensioniPCA per la compressionePCA randomizzataPCA incrementaleProiezione casualeLLEAltre tecniche di riduzione della dimensionalitàEsercizi
8. Tecniche di apprendimento non supervisionato
Algoritmi di raggruppamento: k-means e DBSCANClustering k-MeansLimiti di k-MeansUtilizzo del clustering per la segmentazione delle immaginiUso del clustering per l'apprendimento semi-supervisionatoDBSCANAltri algoritmi di clusteringMiscele gaussianeUtilizzo delle miscele gaussiane per il rilevamento delle anomalieSelezione del numero di clusterModelli di miscele gaussiane bayesianeAltri algoritmi per il rilevamento di anomalie e novitàEsercizi

II. Reti neurali e Deep Learning
9. Introduzione alle reti neurali artificiali
Dai neuroni biologici a quelli artificialiNeuroni biologiciCalcoli logici con i neuroniIl percettroneIl percettrone multistrato e la retropropagazioneCostruire e addestrare le MLP con Scikit-LearnMLP di regressioneMLP di classificazioneLinee guida per la regolazione degli iperparametriNumero di strati nascostiNumero di neuroni per strato nascostoTasso di apprendimentoDimensione del lottoAltri iperparametriEsercizi
10. Costruire reti neurali con PyTorch
Fondamenti di PyTorchTensori di PyTorchAccelerazione hardwareAutogradImplementare la regressione lineareRegressione lineare con tensori e AutogradRegressione lineare con le API di alto livello di PyTorchImplementare una MLP di regressioneImplementare la discesa del gradiente in mini-batch usando i caricatori di datiValutazione del modelloCostruire modelli non sequenziali con moduli personalizzatiCreare modelli con più ingressiCreare modelli con più usciteCostruire un classificatore di immagini con PyTorchUsare TorchVision per caricare il set di datiCostruire il classificatoreOttimizzare gli iperparametri della rete neurale con OptunaSalvare e caricare i modelli PyTorchCompilazione e ottimizzazione di un modello PyTorchEsercizi
11. Addestrare le reti neurali profonde
Il problema dei gradienti che svaniscono/esplodonoInizializzazione di Glorot e inizializzazione di HeMigliori funzioni di attivazioneNormalizzazione dei lottiNormalizzazione dei livelliRitaglio del gradienteRiutilizzare i livelli pre-addestratiApprendimento di trasferimento con PyTorchPre-formazione non supervisionataPre-addestramento su un compito ausiliarioOttimizzatori più velociMomentoGradiente accelerato di NesterovAdaGradRMSPropAdamoAdaMaxNAdamAdamWProgrammazione del tasso di apprendimentoSchedulazione esponenzialeRicottura del cosenoProgrammazione delle prestazioniRiscaldare il tasso di apprendimentoRicottura del coseno con riavvio a caldoProgrammazione a 1 cicloEvitare l'overfitting attraverso la regolarizzazioneRegolarizzazione ℓ1 e ℓ2AbbandonoAbbandono Monte CarloRegolarizzazione Max-NormLinee guida praticheEsercizi
12. Visione artificiale profonda con le reti neurali convoluzionali
L'architettura della corteccia visivaStrati convoluzionaliFiltriAccatastamento di più mappe di caratteristicheImplementazione dei livelli convoluzionali con PyTorchLivelli di poolingImplementare i livelli di pooling con PyTorchArchitetture CNNLeNet-5AlexNetGoogLeNetResNetXceptionSENetAltre architetture degne di notaScegliere la giusta architettura CNNRequisiti di RAM della GPU: Inferenza e addestramentoReti residue reversibili (RevNets)Implementare una CNN ResNet-34 con PyTorchUsare i modelli pre-addestrati di TorchVisionModelli precostituiti per l'apprendimento di trasferimentoClassificazione e localizzazioneRilevamento di oggettiReti completamente convoluzionaliSi guarda solo una voltaTracciamento degli oggettiSegmentazione semanticaEsercizi
13. Elaborazione di sequenze con RNN e CNN
Neuroni e strati ricorrentiCelle di memoriaSequenze di ingresso e di uscitaAddestramento delle RNNPrevisione di una serie temporaleLa famiglia di modelli ARMAPreparare i dati per i modelli di apprendimento automaticoPrevisioni con un modello linearePrevisioni con una RNN semplicePrevisioni con una RNN profondaPrevisione di serie temporali multivariatePrevisioni con diversi passi temporali di anticipoPrevisioni con un modello da sequenza a sequenzaGestione di sequenze lungheCombattere il problema dei gradienti instabiliAffrontare il problema della memoria a breve termineEsercizi
14. Elaborazione del linguaggio naturale con RNN e attenzione
Generazione di un testo shakespeariano con una RNN di caratteriCreare il set di dati di addestramentoIncorporamentiCostruire e addestrare il modello Char-RNNGenerare un falso testo shakespearianoAnalisi del sentimento tramite librerie di volti abbracciatiTokenizzazione con la libreria di tokenizzatori Hugging FaceRiutilizzare i tokenizer pre-addestratiCostruire e addestrare un modello di analisi del sentimentoRNN bidirezionaliRiutilizzare gli embeddings e i modelli linguistici precostituitiClassi specifiche per i compitiL'API dell'addestratorePipeline dei volti abbracciatiUna rete encoder-decoder per la traduzione automatica neuraleRicerca a raggieraMeccanismi di attenzioneEsercizi
15. Trasformatori per l'elaborazione del linguaggio naturale e i chatbot
L'attenzione è tutto ciò che serve: L'architettura originale dei trasformatoriCodifiche posizionaliAttenzione a più testeCostruire il resto del trasformatoreCostruire un trasformatore inglese-spagnoloTrasformatori solo encoder per la comprensione del linguaggio naturaleL'architettura del BERTPre-formazione del BERTMessa a punto del BERTAltri modelli solo encoderTrasformatori solo decodificatoriArchitettura GPT-1 e pre-addestramento generativoGPT-2 e apprendimento a zero colpiGPT-3, Apprendimento In-Context, Apprendimento One-Shot e Apprendimento a Pochi ScattiUsare il GPT-2 per generare testoUsare il GPT-2 per rispondere alle domandeScaricare ed eseguire un modello ancora più grande: Mistral-7BTrasformare un modello linguistico di grandi dimensioni in un chatbotMessa a punto di un modello per chattare e seguire le istruzioni usando SFT e RLHFOttimizzazione diretta delle preferenze (DPO)Messa a punto di un modello utilizzando la libreria TRLDa un modello di chatbot a un sistema completo di chatbotProtocollo di contesto del modelloLibrerie e strumentiModelli di codificatore-decodificatoreEsercizi
16. Visione e trasformatori multimodali
Trasformatori di visioneRNN con attenzione visivaDETR: un ibrido CNN-trasformatore per il rilevamento di oggettiIl ViT originaleTrasformatore di immagini efficiente dal punto di vista dei datiTrasformatore di visione a piramide per compiti di predizione densiIl trasformatore Swin: Un trasformatore di immagini veloce e versatileDINO: Apprendimento auto-supervisionato delle rappresentazioni visiveAltri importanti modelli e tecniche di visioneTrasformatori multimodaliVideoBERT: una variante di BERT per testo e videoViLBERT: un trasformatore a doppio flusso per testo e immaginiCLIP: un modello a doppio encoder per testo e immagini addestrato con pre-addestramento contrastivoDALL-E: generazione di immagini da prompt testualiPerceiver: Collegare le modalità ad alta risoluzione con gli spazi latentiPerceiver IO: Un meccanismo di output flessibile per il PerceiverFlamingo: Dialogo visivo apertoBLIP e BLIP-2Altri modelli multimodaliEsercizi
17. Accelerare i trasformatori
18. Autoencoder, GAN e modelli di diffusione
Rappresentazioni efficienti dei datiEseguire la PCA con un autoencoder lineare incompletoAutoencoder impilatiImplementazione di un autoencoder impilato con PyTorchVisualizzazione delle ricostruzioniRilevamento di anomalie tramite autoencoderVisualizzazione del dataset MNIST ModaPre-formazione non supervisionata con gli autoencoder impilatiLegare i pesiAddestramento di un autoencoder alla voltaAutoencoder convoluzionaliAutoencoder per il denoisingAutoencoder sparsiAutoencoder variazionaliGenerazione di immagini MNIST di modaAutoencoder variazionali discretiReti avversarie generativeLe difficoltà dell'addestramento delle GANModelli di diffusioneEsercizi
19. Apprendimento con rinforzo
Cos'è l'apprendimento per rinforzo?Gradienti di politicaIntroduzione alla libreria GymnasiumPolitiche della rete neuraleValutazione delle azioni: Il problema dell'assegnazione dei creditiRisolvere il CartPole usando i gradienti della politicaMetodi basati sul valoreProcessi decisionali di MarkovApprendimento a differenza temporaleApprendimento QPolitiche di esplorazioneApprendimento Q approssimato e apprendimento Q profondoImplementazione dell'apprendimento Q profondoMiglioramenti al DQNAlgoritmi critico-attorialePadroneggiare Atari Breakout utilizzando l'implementazione PPO di Stable-Baselines3Panoramica di alcuni popolari algoritmi RLEserciziGrazie!
A. Autodiff
Differenziazione manualeApprossimazione a differenze finiteAutodiffusione in avantiAutodiffusione inversa
B. Precisione mista e quantizzazione
Rappresentazioni numeriche comuniModelli a precisione ridottaFormazione a precisione mistaQuantizzazioneQuantizzazione lineareQuantizzazione post-formazione con torch.ao.quantizationFormazione consapevole della quantizzazione (QAT)Quantizzazione degli LLMs con la libreria bitsandbytesUtilizzo di modelli pre-quantizzati
Indice
L'autore

Overview

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com

Il potenziale dell'apprendimento automatico oggi è incredibile, ma molti aspiranti sviluppatori e professionisti del settore tecnologico si sentono un po' scoraggiati dalla sua complessità. Che tu voglia migliorare le tue competenze e usare l'apprendimento automatico in progetti reali o che tu sia semplicemente curioso di sapere come funzionano i sistemi di intelligenza artificiale, questo libro è il punto di partenza ideale.

Con uno stile accessibile ma super informativo, l'autore Aurélien Géron offre la guida introduttiva definitiva al machine learning e al Deep Learning. Basandosi sull'ecosistema Hugging Face, con un'attenzione particolare alle spiegazioni chiare e agli esempi reali, il libro ti guida attraverso strumenti all'avanguardia come Scikit-Learn e PyTorch, dalle tecniche di regressione di base alle reti neurali avanzate. Che tu sia uno studente, un professionista o un appassionato, acquisirai le competenze necessarie per costruire sistemi intelligenti.

Comprendi le basi del ML, inclusi concetti come l'overfitting e la regolazione degli iperparametri
Completa un progetto di ML end-to-end utilizzando scikit-Learn, che copre tutto, dall'esplorazione dei dati alla valutazione dei modelli
Impara tecniche di apprendimento non supervisionato, come il clustering e il rilevamento delle anomalie
Costruisci architetture avanzate come trasformatori e modelli di diffusione con PyTorch
Sfrutta la potenza dei modelli preaddestrati, compresi gli LLMs, e impara a ottimizzarli
Addestrare agenti autonomi usando l'apprendimento per rinforzo

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Introduzione al Machine Learning con Python

Publisher Resources

ISBN: 0642572270070

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills