Datafx Home Page on Datafx

Analisi dei Cluster con DBScan

Fri, 23 Jan 2026 10:00:00 +0100

Il progetto Python, che comprende gli script mostrati in questo post, e quelli relativi alla creazione dei grafici Matplotlib e Plotly, è disponibile assieme al corso Introduzione al Machine Learning.

Dimmi di Più

Introduzione

Density-Based Spatial Clustering of Applications with Noise (DBSCAN), è un algoritmo di clustering non supervisionato, più efficiente di K-Means o Hierarchical Clustering nella gestione di cluster di forma arbitraria, o nell’individuazione di punti di rumore che non appartengono a nessun cluster. DBSCAN identifica i cluster in base alla densità delle osservazioni, il che lo rende particolarmente adatto per individuare gruppi di data-point di forma arbitraria, e gestire il rumore del dataset. In dettaglio, DBSCAN definisce i cluster come regioni dense di osservazioni, separate da aree di densità inferiore. La nozione di densità è definita come il numero di osservazioni all’interno di un raggio specificato. L’algoritmo usa due parametri principali:

Cos'è la Business Intelligence, e a cosa serve

Thu, 08 Jan 2026 08:00:00 +0100

In parole semplici, la Business Intelligence (BI) è l’insieme di strumenti e strategie che permettono di trasformare i dati grezzi in informazioni strategiche. Il suo obiettivo è aiutare a capire l’andamento di un’azienda: cosa sta funzionando, cosa presenta criticità e dove è possibile intervenire per migliorare.

In pratica, la BI raccoglie enormi quantità di dati — come vendite, costi, feedback dei clienti o tempi di produzione — che, presi singolarmente, sarebbero difficili da interpretare. Questi dati vengono poi organizzati, analizzati e visualizzati attraverso report e grafici intuitivi, che, ad esempio, potrebbero far emergere correlazioni tra le fluttuazioni stagionali e le preferenze dei clienti mai identificate in precedenza, permettendo così di pianificare gli stock in anticipo e ridurre gli sprechi.

DAX e Time Intelligence, Period To Date (Cumulative Total) con esempi

Mon, 22 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

DAX, Introduzione alla Time Intelligence

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

I Pattern Period To Date (Cumulative Total)

I pattern “Period To Date” (noti anche come “Cumulative Total”) servono a calcolare valori aggregati dall’inizio di un periodo fino alla data corrente. Sono molto utilizzati per monitorare l’andamento di un KPI nel tempo e rispondere a domande del tipo: “a quanto siamo arrivati finora, rispetto al periodo in corso?”. In Power BI, i casi più comuni sono:

DAX, Introduzione alla Time Intelligence

Thu, 18 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

DAX e Time Intelligence, Period To Date (Cumulative Total) con esempi

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Cos’è la Time Intelligence?

In Power BI, con il termine Time Intelligence si intende un insieme di funzioni e tecniche pensate per gestire calcoli che coinvolgono il tempo: date, periodi, confronti temporali e aggregazioni su intervalli temporali. Questi calcoli sono fondamentali perché la maggior parte delle analisi aziendali non si limita a osservare i dati “nel presente”, ma deve rispondere a domande come:

DAX, Relazioni Fisiche e Virtuali

Wed, 17 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

In Power BI, una relazione fisica è una connessione definita nel modello dati tra due tabelle, basata su una coppia di colonne che svolgono il ruolo di Primary Key (nella tabella lato “uno”) e Foreign Key (nella tabella lato “molti”). La relazione viene creata direttamente nella struttura del modello, tramite la Model View di Power BI, utilizzando le operazioni di drag and drop tra le colonne chiave delle due tabelle, oppure la funzione “Manage Relationships”.

La Regressione Logistica, Implementazione del Modello

Tue, 16 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

Implementazione del Modello

La Classe LogisticRegressionGD

Per implementare il modello di Regressione Logistica, possiamo prendere l’implementazione di Adaline e cambiare, oltre al nome della classe, l’implementazione dei seguenti metodi:

La Regressione Logistica, Spiegazione del Modello

Mon, 15 Dec 2025 10:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

La Regressione Logistica è un metodo statistico utilizzato per la classificazione binaria, ovvero per prevedere la probabilità che un’osservazione appartenga a una particolare classe, solitamente la classe positiva “$1$” o “True”. A differenza di Adaline (e della Regressione Lineare), che predice valori continui, la Regressione Logistica predice la probabilità che un dato input appartenga a una particolare classe. A tale scopo, come funzione di attivazione, essa utilizza la funzione Sigmoide, che mappa qualsiasi numero reale nell’intervallo $[0, 1]$. Il diagramma delle componenti modello di Regressione Logistica che andremo a sviluppare è mostrato nell’immagine seguente:

La Regressione Logistica, Concetti di Base

Sat, 13 Dec 2025 10:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

Prima di analizzare nel dettaglio il modello di Regressione Logistica, è utile ripassare alcuni concetti fondamentali di probabilità e statistica. In particolare, rivedremo le nozioni di Probabilità e di Odds, le funzioni Logit e Sigmoide, la Distribuzione di Probabilità e la funzione di costo Cross-Entropy. Questi strumenti teorici sono essenziali per comprendere a fondo il funzionamento della Regressione Logistica, e il modo in cui questo modello effettua previsioni nel contesto della classificazione.

DAX e La Funzione ALL

Fri, 12 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Sintassi di ALL

In DAX, la funzione ALL restituisce tutte le righe di una tabella, oppure tutti i valori distinti di una o più colonne, ignorando i filtri che potrebbero essere presenti nel Filter Context corrente. La funzione viene tipicamente utilizzata per rimuovere o ridefinire i filtri applicati a una parte del modello dati, ed è fondamentale per costruire misure come percentuali sul totale, confronti con aggregazioni globali o analisi indipendenti dal contesto di selezione. La sintassi generale di ALL è la seguente:

DAX e La Funzione FILTER

Thu, 11 Dec 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Sintassi di FILTER

In DAX, la funzione FILTER ritorna una nuova tabella filtrata a partire da un’altra tabella o espressione tabellare, mantenendo solo le righe che soddisfano una determinata condizione logica. È una delle funzioni tabellari più importanti e viene utilizzata in moltissimi scenari, spesso all’interno di CALCULATE, CALCULATETABLE e degli iteratori (SUMX, AVERAGEX, ecc.). Ha la seguente sintassi:

CALCULATE e Context Transition

Thu, 27 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Cos’è la Context Transition

In DAX, il termine “Context Transition” (Transizione del Contesto) indica il processo attraverso cui un Row Context viene trasformato in un Filter Context equivalente. Quando avviene questa transizione, i valori delle colonne della riga corrente diventano veri e propri filtri attivi sul modello, influenzando la valutazione dell’espressione che segue. La Context Transition si verifica in modo automatico in due situazioni:

DAX e La Funzione CALCULATE

Tue, 25 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

DAX e le Measure, Cosa Sono e Come si Usano

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Le funzioni DAX CALCULATE e CALCULATETABLE sono usate per valutare un’espressione DAX in un Filter Context modificato, dove tale modifica viene effettuata programmaticamente (tramite codice).

La Funzione CALCULATE, Sintassi e Utilizzo

CALCULATE è la funzione più importante in DAX. Essa prende un’espressione o una Misura, e la valuta in un Filter Context modificato rispetto al Filter Context generato dai filtri attivi provenienti dal Visual, dagli Slicer o dal riquadro dei filtri. Essa ha la seguente sintassi:

DAX e le Measure, Cosa Sono e Come si Usano

Mon, 24 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Cos’è una Measure (Misura)

Nel contesto dei Data Warehouse e della modellazione dimensionale, il termine Measure (Misura) indica un valore numerico di interesse aziendale, ovvero un’informazione quantitativa che può essere conteggiata, aggregata o utilizzata in calcoli. In Power BI, le Misure sono espressioni DAX che restituiscono un valore scalare — tipicamente un numero, ma anche una stringa o un valore booleano — e vengono sempre calcolate in base al Filter Context. Il Filter Context rappresenta l’insieme dei filtri applicati a un visual o a una pagina del report (come selezioni dell’utente, slicer, filtri di pagina, relazioni e contesto di riga generato da tabelle o matrici), ed è ciò che determina il risultato finale della misura.

Introduzione a DAX, Sintassi e Calculated Column

Fri, 21 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

DAX e le Measure, Cosa Sono e Come si Usano

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

DAX (Data Analysis Expressions) è un linguaggio di formule sviluppato da Microsoft e utilizzato in Power BI, Analysis Services Tabular e Power Pivot in Excel. Consente di creare Calculated Column, Measure e di effettuare calcoli avanzati, tra cui quelli di Time Intelligence (come analisi su intervalli temporali, YTD, MTD, confronti con l’anno precedente, variazioni percentuali, e così via). DAX permette inoltre di definire logiche personalizzate e trasformazioni dinamiche sui dati, lavorando direttamente sul modello tabulare e arricchendo così le capacità analitiche dei report.

Power BI e le Relazioni Ambigue

Mon, 17 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Cos’è una Relazione Ambigua

In Power BI si parla di relazione ambigua (ambiguous relationship) quando, tra due tabelle del modello, esistono più percorsi possibili attraverso cui un filtro può propagarsi. In questa situazione il motore non riesce a stabilire un unico percorso di propagazione, perché la logica del modello consente più strade alternative. Per evitare tali ambiguità, Power BI è progettato per:

Power BI e la Gestione delle Relazioni

Wed, 12 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Nei post sui Database Relazionali e la Modellazione Dimensionale, abbiamo introdotto i principi fondamentali della creazione e gestione dei modelli relazionali, analizzando la struttura tipica di un database relazionale transazionale e confrontandola con quella di uno Star Schema.

Power BI e la Modellazione Dimensionale

Mon, 10 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

Nel post sui database relazionali abbiamo dato delle informazioni di massima sulla natura di questo strumento, sulle sue funzionalità, e sulle caratteristiche che lo contraddistinguono da altri strumenti “più semplici”, come i fogli di calcolo (Excel, Libreoffice Calc, ecc.). In particolare, nel capitolo sui dati denormalizzati abbiamo discusso brevemente l’utilizzo di un database data warehouse, e della distinzione tra schema transazionale, ottimizzato per la scrittura, e schema a stella, affinato per la lettura e l’esecuzione di query analitiche. Vediamo ora di approfondire l’argomento della modellazione dimensionale e della comprensione dello Star Schema.

Power BI e i Database Relazionali

Mon, 03 Nov 2025 08:00:00 +0100

Potrebbe interessarti:

Se vuoi imparare a preparare, modellare, visualizzare e analizzare i dati aziendali in modo efficace, dai un’occhiata al corso Introduzione a Power BI, e al Corso Avanzato Power BI DAX.

Dimmi di Più

In questo post parleremo dei database relazionali, della loro struttura e delle regole fondamentali che è utile conoscere per imparare a importare e gestire correttamente i dati in Power BI. Comprendere come funzionano i database relazionali è infatti il primo passo per utilizzare al meglio Power BI, perché questo strumento si basa su molte delle stesse logiche che guidano la progettazione e l’organizzazione dei dati nei sistemi relazionali tradizionali. In altre parole, imparare i principi dei database relazionali — come le tabelle, le relazioni e le chiavi — ci aiuta a capire come Power BI struttura e collega i dati al suo interno, e quindi a costruire modelli più coerenti, performanti e facili da analizzare. Lo scopo di questa pagina è offrire una panoramica di alto livello, chiara e accessibile, dei concetti fondamentali che ci interessano, senza entrare nei dettagli tecnici più complessi.

Neural Network, Implementazione del Modello e Classificazione

Thu, 30 Oct 2025 10:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

Introduzione

Nei post precedenti, abbiamo visto come calcolare il gradiente della funzione di costo rispetto ai parametri dei pesi e dei bias, nell’output layer e nell’hidden layer. Avendo derivato le equazioni usate nella fase di backpropagation, possiamo implementare il modello di rete neurale con un singolo hidden layer, che avevamo parzialmente definito nella sezione relativa alla forward-propagation. Iniziamo con una prima implementazione che, per semplicità, utilizza la funzione di attivazione sigmoide, assieme alla funzione di costo MSE. Abbiamo già detto che questa combinazione non genera una superficie di costo convessa, come invece accade nel modello di Regressione Logistica. Dobbiamo però considerare che, a differenza della Regressione Logistica, le reti neurali non sono modelli convessi, in quanto hanno layer multipli, e composizioni di funzioni di attivazione non lineari. Anche se usassimo la funzione di costo Cross Entropy al posto di MSE, non riusciremo comunque ad avere un punto di minima globale. Quindi, per reti piccole e poco profonde, o per dataset semplici, la combinazione MSE più Sigmoide può bastare. Non è l’architettura più efficiente, ma è stabile, e facile da implementare. Successivamente, creeremo una seconda implementazione, “più corretta” dal punto di vista teorico, ma anche più complessa nel suo funzionamento.

Neural Network, Backpropagation

Wed, 29 Oct 2025 10:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

Backpropagation

La “Backpropagation” è l’acronimo di “backward propagation of errors” (propagazione all’indietro degli errori), ed è un modo per regolare i parametri di una rete neurale, per minimizzare l’errore del modello, inteso come la differenza tra l’output previsto, e quello effettivo. Nella fase di Forward Propagation, i dati di input passano attraverso la rete, da un layer all’altro. In ogni layer successivo a quello di input, ogni nodo calcola la somma pesata dei suoi input e dei suoi pesi, e applica al valore risultante una funzione di attivazione, come il sigmoide. Considerando l’architettura di una rete con un singolo hidden layer, vista precedentemente, ogni suo nodo $a^h_j$ ritona una funzione base $\phi_j$, che corrisponde ad un asse base di un nuovo spazio delle feature multidimensionale, non-lineare, che “piega e deforma” lo spazio delle feature originale. Nel nuovo spazio risultante, le osservazioni del dataset diventano linearmente separabili. Le diverse funzioni base definite dall’hidden layer vengono linearmente combinate tra loro dall’output node $a^o_1$, che ritorna, tramite l’applicazione della funzione sigmoide, la probabilità che l’osservazione di input appartenga alla classe positiva, “1”. L’output finale della rete viene confrontato con l’output previsto, utilizzando una funzione di costo come la logistic loss, che indica quanto è sbagliata la previsione effettuata dal modello.

Neural Network, Introduzione e Forward Propagation

Tue, 28 Oct 2025 10:00:00 +0100

Potrebbe interessarti:

Dimmi di Più

Cos’è una Rete Neurale?

Una Rete Neurale è un modello computazionale progettato per risolvere problemi complessi di riconoscimento di pattern, presenti nel dataset di input. Essa è costituita da unità interconnesse, chiamate nodi o neuroni, dove ogni nodo agisce come un’unità computazionale, il cui comportamento è simile a quello di un modello di Regressione Logistica. I nodi sono organizzati in layer: un layer di input, uno o più hidden layer, e un layer di output. In sostanza, ogni nodo è una funzione che elabora i dati in ingresso eseguendo operazioni matematiche, in genere moltiplicando gli input per i pesi associati, aggiungendo bias, e applicando funzioni di attivazione. Questi calcoli permettono alle reti neurali di identificare le strutture sottostanti in grandi insiemi di dati, consentendo di svolgere compiti quali il riconoscimento delle immagini, l’elaborazione del linguaggio naturale, e la modellazione predittiva.

La Regolarizzazione del Modello

Mon, 27 Oct 2025 08:00:00 +0100

Dimmi di Più

Nella fase di training di un modello, l’uso di valori “estremi” dei parametri può portare a problemi di overfitting. Come abbiamo già visto, l’overfitting si verifica quando un modello apprende non solo i pattern sottostanti ai dati di addestramento, ma anche il rumore di fondo e dettagli specifici che non generalizzano su dati sconosciuti (sia che essi provengano dal test set, che dal “mondo reale”). Supponiamo di avere un regressore lineare, con una funzione di ipotesi di questo tipo:

Decision Tree, Classificazione

Fri, 24 Oct 2025 10:00:00 +0200

Potrebbe interessarti:

Dimmi di Più

Nel post precedente abbiamo “toccato con mano” l’implementazione della classe DecisionTreeClassifier. Ora proviamo ad usarla con alcuni semplici dataset, per mostrare su schermo le regioni decisionali del modello. Questo ci sarà utile per confrontare l’algoritmo di classificazione con i risultati visuali proposti.

Decision Tree, Il Modello

Fri, 24 Oct 2025 10:00:00 +0200

Potrebbe interessarti:

Dimmi di Più

Implementazione del Decision Tree

Dopo aver intuito l’algoritmo che sta alla base di un Decision Tree, e dopo aver visto come calcolare l’impurità del modello tramite la funzione di costo Entropy o Gini Impurity, vediamo ora come implementare tale classificatore “da zero”. Di seguito, alcune considerazioni sulle convenzioni dei nomi applicate ai metodi delle classi che andremo a sviluppare:

Decision Tree, Introduzione

Fri, 24 Oct 2025 08:00:00 +0200

Potrebbe interessarti:

Dimmi di Più

Cos’è un Decision Tree

Un Decision Tree (albero decisionale) è un algoritmo di apprendimento supervisionato, utilizzato per compiti di classificazione e regressione, che fornisce una stima su una data osservazione, imparando semplici regole decisionali dedotte dalle feature del dataset. Tramite queste regole, il modello è in grado di restringere i possibili valori di output, e di fare una previsione. L’ordine e il contenuto delle domande sono decisi dal modello stesso.

Il Neurone Artificiale Adaline, Esempi di Classificazione

Thu, 23 Oct 2025 10:00:00 +0200

Potrebbe interessarti:

Il Neurone Artificiale Adaline - (1/2)

Dimmi di Più

Classificazione con il Dataset Iris

Proviamo ora ad usare il nostro classificatore binario Adaline con il famoso dataset Iris, e verifichiamo che il modello sia in grado di distinguere due classi specifiche per mezzo delle loro caratteristiche.

Il Neurone Artificiale Adaline, Introduzione

Wed, 22 Oct 2025 10:00:00 +0200

Potrebbe interessarti:

Il Neurone Artificiale Adaline - (2/2)

Dimmi di Più

Cos’è un Neurone Artificiale

Adaline (Adaptive Linear Neuron) è un neurone artificiale, un tipo di rete neurale artificiale a singolo layer, sviluppato da Bernard Widrow e Ted Hoff nel 1960. Adaline è un miglioramento rispetto al Percettrone, introdotto nel 1943 da Warren McCulloch e Walter Pitts, e viene considerato come il precursore dei modelli di rete neurale modeni.

Viaggio nell'Iperspazio

Mon, 20 Oct 2025 12:00:00 +0200

Dimmi di Più

Un Esempio con la Regressione Lineare Multipla

Nel post precedente, abbiamo visto come usare la regressione lineare semplice per modellare una relazione tra la variabile dipendente $y^{(i)}$ e una sola variabile indipendente $x^{(i)}$. La relativa funzione di ipotesi è la funzione predittiva che approssima la funzione target che ha generato le osservazioni del dataset di training, definita come:

Il Nostro Primo Modello di Machine Learning, Training e Predizione

Thu, 16 Oct 2025 10:30:00 +0200

Potrebbe interessarti:

Il Nostro Primo Modello di Machine Learning - (1/2)

Dimmi di Più

In questo post riprendiamo l’implementazione del modello di regressione lineare semplice, che abbiamo iniziato a discutere qui. Dopo aver compreso come opera la funzione di costo MSE, vediamo ora il processo di addestramento del modello, necessario per individuare i valori ottimali dei parametri del predittore.

Il Nostro Primo Modello di Machine Learning, Introduzione

Tue, 14 Oct 2025 14:00:00 +0200

Potrebbe interessarti:

Il Nostro Primo Modello di Machine Learning - (2/2)

Dimmi di Più

In questo post svilupperemo un programma Python che implementa un modello di machine learning (ML) chiamato regressione lineare semplice, che useremo come “banco di lavoro” per comprendere quali siano le parti più importanti che permettono al modello di funzionare correttamente.

Corso Avanzato Power BI DAX

Tue, 30 May 2023 00:00:00 +0200

Introduzione a Power BI (PL-300++)

Tue, 30 May 2023 00:00:00 +0200

Introduzione al Machine Learning

Tue, 30 May 2023 00:00:00 +0200

Introduzione all'Intelligenza Artificiale

Tue, 30 May 2023 00:00:00 +0200

Cerca

Mon, 01 Jan 0001 00:00:00 +0000

Inserendo una o più parole senza caratteri speciali nel campo “Cerca”, la ricerca restituisce risultati che contengono almeno uno dei termini digitati. Inserendo il testo tra doppi apici, la ricerca restituisce solo i risultati che contengono esattamente quella frase, nello stesso ordine.

Se stai cercando un titolo, un concetto preciso o una frase specifica, usa sempre i doppi apici.

Contatti

Mon, 01 Jan 0001 00:00:00 +0000

Se hai bisogno di formazione su Power BI o sul Machine Learning, utilizza il modulo sottostante per descrivere il tuo contesto, il livello dei partecipanti e gli obiettivi aziendali. Se preferisci un contatto immediato, puoi scrivermi direttamente a [ ], ti risponderò personalmente entro 48 ore.

Cookie Policy

Mon, 01 Jan 0001 00:00:00 +0000

I cookie sono piccoli file di testo che i siti web visitati inviano al terminale dell’utente (computer, smartphone, tablet), dove vengono memorizzati per essere poi ritrasmessi agli stessi siti alla visita successiva. I cookie servono a migliorare l’esperienza di navigazione e a fornire servizi personalizzati.

Il sito datafx.it utilizza solo le seguenti tipologie di cookie:

Cookie Tecnici (necessari):

Funzionamento del sito: ad esempio per ricordare le preferenze dell’utente (lingua, layout).
Sessione: utilizzati per mantenere l’utente connesso durante la navigazione.
Sicurezza: per prevenire abusi o accessi non autorizzati.

Questi cookie non richiedono il consenso dell’utente ai sensi della normativa vigente.

Docente

Mon, 01 Jan 0001 00:00:00 +0000

Ciao, mi chiamo Luca, e ho lavorato per oltre vent’anni nel campo dell’ingegneria del software. Negli ultimi cinque anni, ho deciso di orientare la mia attività verso l’analisi dei dati, concentrandomi in particolare su Machine Learning e Business Intelligence.

Ho iniziato questo nuovo percorso tra libri, tutorial, video, corsi e progetti reali. In questo cammino ho selezionato e rielaborato le informazioni più utili, affiancando ai concetti fondamentali esempi concreti ed esercizi pratici. Penso infatti che “un grammo di pratica valga più di un chilo di teoria”. Da questo lavoro è nata una serie di corsi, per chi desidera imparare ciò che serve, in modo chiaro e concreto.

Privacy Policy

Mon, 01 Jan 0001 00:00:00 +0000

In questa pagina si descrivono le modalità e le logiche del trattamento dei dati personali degli utenti che consultano il sito: datafx.it. L’informativa è resa ai sensi dell’art. 13 del D. Lgs. n. 196/2003 - “Codice in materia di protezione dei dati personali” a tutti gli utenti che, interagendo con il sito, forniscono a Luca Fossato i propri dati personali.

La validità dell’informativa contenuta nella presente pagina è limitata al solo sito e non si estende ad altri siti web eventualmente consultabili mediante collegamento ipertestuale.

Datafx Home Page on Datafx

Analisi dei Cluster con DBScan

Introduzione

Cos'è la Business Intelligence, e a cosa serve

DAX e Time Intelligence, Period To Date (Cumulative Total) con esempi

I Pattern Period To Date (Cumulative Total)

DAX, Introduzione alla Time Intelligence

Cos’è la Time Intelligence?

DAX, Relazioni Fisiche e Virtuali

La Regressione Logistica, Implementazione del Modello

Implementazione del Modello

La Classe LogisticRegressionGD

La Regressione Logistica, Spiegazione del Modello

La Regressione Logistica, Concetti di Base

DAX e La Funzione ALL

Sintassi di ALL

DAX e La Funzione FILTER

Sintassi di FILTER

CALCULATE e Context Transition

Cos’è la Context Transition

DAX e La Funzione CALCULATE

La Funzione CALCULATE, Sintassi e Utilizzo

DAX e le Measure, Cosa Sono e Come si Usano

Cos’è una Measure (Misura)

Introduzione a DAX, Sintassi e Calculated Column

Power BI e le Relazioni Ambigue

Cos’è una Relazione Ambigua

Power BI e la Gestione delle Relazioni

Power BI e la Modellazione Dimensionale

Power BI e i Database Relazionali

Neural Network, Implementazione del Modello e Classificazione

Introduzione

Neural Network, Backpropagation

Backpropagation

Neural Network, Introduzione e Forward Propagation

Cos’è una Rete Neurale?

La Regolarizzazione del Modello

Decision Tree, Classificazione

Decision Tree, Il Modello

Implementazione del Decision Tree

Decision Tree, Introduzione

Cos’è un Decision Tree

Il Neurone Artificiale Adaline, Esempi di Classificazione

Classificazione con il Dataset Iris

Il Neurone Artificiale Adaline, Introduzione

Cos’è un Neurone Artificiale

Viaggio nell'Iperspazio

Un Esempio con la Regressione Lineare Multipla

Il Nostro Primo Modello di Machine Learning, Training e Predizione

Il Nostro Primo Modello di Machine Learning, Introduzione

Corso Avanzato Power BI DAX

Introduzione a Power BI (PL-300++)

Introduzione al Machine Learning

Introduzione all'Intelligenza Artificiale

Cerca

Contatti

Cookie Policy

Cosa sono i Cookie?

Tipologie di Cookie Utilizzati

Docente

Privacy Policy