Post

Visualizzazione dei post con l'etichetta Corso di Python: 11 – Introduzione a Data Science e Web

CHI HA PAURA DELL’INTELLIGENZA ARTIFICIALE?

Immagine
  CHI HA PAURA DELL’INTELLIGENZA ARTIFICIALE? DAL SOFTWARE GENERATIVO AGLI AGENTI, DALLA MEDICINA ALLA ROBOTICA: CHE COSA L’AI SA GIÀ FARE, DOVE STA ANDANDO E QUALI RISCHI DOBBIAMO PRENDERE SUL SERIO Ogni tecnologia realmente trasformativa produce due errori speculari. Il primo consiste nel sottovalutarla, considerandola una moda destinata a rientrare. Il secondo consiste nel sopravvalutarla, attribuendole capacità che ancora non possiede e trasformando una tecnologia in una mitologia. Nel 2026 l’intelligenza artificiale si trova esattamente fra questi due estremi. Non è più ragionevole descriverla come un semplice chatbot evoluto; è altrettanto poco ragionevole presentarla come una mente universale prossima a sostituire l’essere umano in ogni attività. La questione interessante, per chi lavora nell’informatica, nella ricerca, nell’impresa o nelle professioni ad alta intensità di conoscenza, non è dunque stabilire se essere ottimisti o pessimisti. È capire che cosa stia realmente c...

Corso di Python: 11 – Introduzione a Data Science e Web

Immagine
11 Introduzione a Data Science e Web 1) Ambiente e pacchetti Installare in un ambiente virtuale i pacchetti necessari: python -m venv venv # attiva il venv (Windows) venv\Scripts\activate # o (Mac/Linux) source venv/bin/activate pip install numpy pandas matplotlib flask 2) NumPy — array numerici e operazioni fondamentali  Cos’è NumPy Library per array multidimensionali efficienti (ndarray) e operazioni vettoriali. Concetti chiave ndarray : struttura dati centrale. Operazioni vettoriali (somma, prodotto) vettorizzate senza loop Python. Broadcasting: operazioni tra array di forme differenti compatibili. Esempi pratici Creare array e operazioni: import numpy as np # Creare array a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # Operazioni vettoriali c = a + b # [5, 7, 9] d = a * 2 # [2, 4, 6] dot = a @ b # prodotto scalare = 1*4 + 2*5 + 3*6 = 32 # Array 2D (matrici) M = np.array([[1,2],[3,4]]) eigvals, eigvecs = np.linalg.eig(M) ...

Post popolari in questo blog

Corso di Programmazione Strutturata e OOP: 3 Ereditarietà incapsulamento polimorfismo

Corso di CSS & Web Design: 3 – Box Model e spaziature

Corso di HTML: 11 Sviluppo completo di un sito