Merge remote-tracking branch 'origin/main'

.eslintrc.json

@@ -1,3 +1,6 @@
 {
-  "extends": "next/core-web-vitals"
+  "extends": "next/core-web-vitals",
+  "rules": {
+    "react/no-unescaped-entities": "off"
+  }
 }

.idea/discord.xml

@@ -0,0 +1,7 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="DiscordProjectSettings">
+    <option name="show" value="PROJECT_FILES" />
+    <option name="description" value="" />
+  </component>
+</project>

.idea/inspectionProfiles/Project_Default.xml

@@ -1,6 +1,7 @@
 <component name="InspectionProjectProfileManager">
   <profile version="1.0">
     <option name="myName" value="Project Default" />
+    <inspection_tool class="Eslint" enabled="true" level="WARNING" enabled_by_default="true" />
     <inspection_tool class="SpellCheckingInspection" enabled="false" level="TYPO" enabled_by_default="false">
       <option name="processCode" value="true" />
       <option name="processLiterals" value="true" />

.idea/runConfigurations/dev.xml

@@ -0,0 +1,12 @@
+<component name="ProjectRunConfigurationManager">
+  <configuration default="false" name="dev" type="js.build_tools.npm" nameIsGenerated="true">
+    <package-json value="$PROJECT_DIR$/package.json" />
+    <command value="run" />
+    <scripts>
+      <script value="dev" />
+    </scripts>
+    <node-interpreter value="project" />
+    <envs />
+    <method v="2" />
+  </configuration>
+</component>

pages/year4/bigdata/index.tsx

@@ -17,22 +17,25 @@ const Page: NextPage = () => {
             Big data analytics
         </Heading>
         <Chapter>
-            <Box todo>
+            <Box>
                 <Heading level={3}>
                     Premessa
                 </Heading>
                 <p>
-                    TODO
+                    Per ora il corso sembra interessante, ma ho seguito ancora troppe poche lezioni per dirlo con certezza.
                 </p>
+                <Parenthesis>
+                    La prof. Mandreoli consiglia il film <Link href={"https://en.wikipedia.org/wiki/Moneyball_(film)"}>Moneyball</Link>, perchè fa vedere quanto è efficace la data science.
+                </Parenthesis>
             </Box>
         </Chapter>
         <Chapter>
-            <Box todo>
+            <Box>
                 <Heading level={3}>
                     Materiale raccolto
                 </Heading>
                 <p>
-                    TODO
+                    Sto seguendo le lezioni di questo corso, pertanto sto raccogliendo attivamente materiale.
                 </p>
                 <Chapter>
                     <Panel>
@@ -52,16 +55,6 @@ const Page: NextPage = () => {
                 </Chapter>
             </Box>
         </Chapter>
-        <Chapter>
-            <Box>
-                <Heading level={3}>
-                    Cose bizzarre
-                </Heading>
-                <Parenthesis>
-                    La prof. Mandreoli consiglia il film <Link href={"https://en.wikipedia.org/wiki/Moneyball_(film)"}>Moneyball</Link>, (perchè fa vedere quanto sia utile la data science).
-                </Parenthesis>
-            </Box>
-        </Chapter>
     </>
 }
 

pages/year4/bigdata/teoria.tsx

@@ -1,4 +1,4 @@
-import {Heading, Chapter, Box, ListUnordered, ListOrdered, Parenthesis, Idiomatic as I, BringAttention as B} from "@steffo/bluelib-react"
+import {Heading, Chapter, Box, ListUnordered, Parenthesis, Idiomatic as I, BringAttention as B} from "@steffo/bluelib-react"
 import type { NextPage, NextPageContext } from 'next'
 import { Link } from '../../../components/link'
 
@@ -18,7 +18,7 @@ const Page: NextPage = () => {
             </Link>
         </Heading>
         <Chapter>
-            <Heading level={3}>
+            <Heading level={2}>
                 Fasi di elaborazione dei dati
             </Heading>
             <Box>
@@ -47,7 +47,7 @@ const Page: NextPage = () => {
                     I dati raccolti vengono <I>elaborati</I> e puliti, trasformandoli in formati su cui sia possibile effettuare analisi.
                 </p>
                 <Parenthesis>
-                    Ad esempio, se i dati provengono da basi di dati diverse, vengono resi uniformi e normalizzati.
+                    Ad esempio, se i dati provengono da basi di dati diverse, vanno messi in una unica tabella con valori comparabili tra loro.
                 </Parenthesis>
             </Box>
             <Box>
@@ -81,6 +81,31 @@ const Page: NextPage = () => {
                 </p>
             </Box>
         </Chapter>
+        <Chapter>
+            <Heading level={2}>
+                Raccolta dati
+            </Heading>
+        </Chapter>
+        <Chapter>
+            <Heading level={2}>
+                Elaborazione dati
+            </Heading>
+        </Chapter>
+        <Chapter>
+            <Heading level={2}>
+                Analisi esploratoria
+            </Heading>
+        </Chapter>
+        <Chapter>
+            <Heading level={2}>
+                Sviluppo modelli
+            </Heading>
+        </Chapter>
+        <Chapter>
+            <Heading level={2}>
+                Verifica ipotesi
+            </Heading>
+        </Chapter>
     </>
 }
 

pages/year4/machinelearning/index.tsx

@@ -17,22 +17,22 @@ const Page: NextPage = () => {
             Machine learning
         </Heading>
         <Chapter>
-            <Box todo>
+            <Box>
                 <Heading level={3}>
                     Premessa
                 </Heading>
                 <p>
-                    TODO
+                    Anche questo corso sembra interessante: spero solo di non impantanarmi nella matematica come al solito!
                 </p>
             </Box>
         </Chapter>
         <Chapter>
-            <Box todo>
+            <Box>
                 <Heading level={3}>
                     Materiale raccolto
                 </Heading>
                 <p>
-                    TODO
+                    Sto seguendo le lezioni di questo corso, pertanto sto raccogliendo attivamente materiale.
                 </p>
                 <Chapter>
                     <Panel>

pages/year4/machinelearning/teoria.tsx

@@ -1,4 +1,4 @@
-import {Heading, Chapter, Box, ListUnordered, BringAttention as B, Idiomatic as I} from "@steffo/bluelib-react"
+import {Heading, Chapter, Box, ListUnordered, BringAttention as B, Idiomatic as I, UAnnotation as U, Parenthesis, Quote} from "@steffo/bluelib-react"
 import type { NextPage, NextPageContext } from 'next'
 import { Link } from '../../../components/link'
 import 'katex/dist/katex.min.css';
@@ -22,28 +22,69 @@ const Page: NextPage = () => {
             </Link>
         </Heading>
         <Chapter>
-            <Heading level={3}>
+            <Heading level={2}>
-                Concetto base
+                Apprendimento
             </Heading>
-            <Box todo>
+            <Box>
                 <Heading level={3}>
                     Machine learning
                 </Heading>
                 <p>
-                    L&apos;obiettivo del <i>machine learning</i> è quello di costruire un <b>modello matematico</b> in grado di mappare tutti i valori di uno spazio di "input" <X/> a quelli di un altro spazio di "output" <Y/>.
+                    L&apos;obiettivo del <i>machine learning</i> è quello di costruire un <B>modello matematico</B> in grado di associare tutti i valori di uno spazio di input <X/> a quelli di un altro spazio di output <Y/>.
                 </p>
                 <p>
                     <TeX block math={r`F: \mathbb{X} → \mathbb{Y}`}/>
                 </p>
+                <p>
+                    Per costruire il modello, usano <B>insiemi di associazioni</B> tra un <B>vettore di input</B> <TeX math={r`\mathbf{x} \in \mathbb{X}`}/> e un <B>risultato di output</B> <TeX math={r`y \in \mathbb{Y}`}/>:
+                </p>
+                <p>
+                    <TeX block math={r`D = { ( \mathbf{x}_i, y_i ), i = 1, \dots, N, \mathbf{x}_i \in {X}, y_i \in {Y} }`}/>
+                </p>
+                <Chapter>
+                    <Box>
+                        <Heading level={3}>
+                            Training set
+                        </Heading>
+                        <p>
+                            Insieme di associazioni su cui ci si basa per <B>creare</B> il modello matematico.
+                        </p>
+                        <Parenthesis>
+                            Il codice di programmazione del modello!
+                        </Parenthesis>
+                    </Box>
+                    <Box>
+                        <Heading level={3}>
+                            Validation set
+                        </Heading>
+                        <p>
+                            Insieme di associazioni usate per <B>verificare</B> che il modello matematico sia <I>valido</I>.
+                        </p>
+                        <Parenthesis>
+                            La Continuous Integration del modello!
+                        </Parenthesis>
+                    </Box>
+                    <Box>
+                        <Heading level={3}>
+                            Testing set
+                        </Heading>
+                        <p>
+                            Insieme di associazioni usate per <B>determinare l&apos;efficacia</B> del modello matematico.
+                        </p>
+                        <Parenthesis>
+                            Il benchmark del modello!
+                        </Parenthesis>
+                    </Box>
+                </Chapter>
             </Box>
         </Chapter>
         <Chapter>
-            <Box builtinColor={"cyan"}>
+            <Box>
                 <Heading level={3}>
                     Supervised learning
                 </Heading>
                 <p>
-                    Quando <B>si è a conoscenza</B> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
+                    Quando <U builtinColor={"lime"}>si è a conoscenza</U> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
                 </p>
                 <p>
                     In particolare, i problemi risolti in questo caso sono detti:
@@ -60,12 +101,12 @@ const Page: NextPage = () => {
                     </ListUnordered.Item>
                 </ListUnordered>
             </Box>
-            <Box builtinColor={"orange"}>
+            <Box>
                 <Heading level={3}>
                     Unsupervised learning
                 </Heading>
                 <p>
-                    Quando <B>non si è a conoscenza</B> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
+                    Quando <U builtinColor={"red"}>non si è a conoscenza</U> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
                 </p>
                 <p>
                     In particolare, i problemi risolti in questo caso sono detti:
@@ -81,28 +122,87 @@ const Page: NextPage = () => {
             </Box>
         </Chapter>
         <Chapter>
-            <Box todo>
+            <Heading level={2}>
+                Ottimizzazione
+            </Heading>
+            <Box>
                 <Heading level={3}>
                     Come un problema di ottimizzazione
                 </Heading>
                 <p>
-                    Possiamo astrarre il machine learning come il seguente problema di ottimizzazione di <B>minimizzazione dell&apos;errore</B>:
+                    Possiamo astrarre il machine learning come il seguente problema di ottimizzazione:
                 </p>
                 <p>
-                    <TeX block math={r`\min_{f \in H} \quad \sum_{i=1}^N \quad V(y_i, f(x_i)) \quad + \quad \lambda \| f \|^2`}/>
+                    <TeX block math={r`\min_{f \in \mathcal{H}} \left( \quad  \sum_{i=1}^N \hspace{0.5em} V(y_i, f(x_i)) \quad + \quad \lambda \| f \|^2 \quad \right)`}/>
                 </p>
-                <Chapter>
+                <Parenthesis>
-                    <Box todo>
+                    <Quote>Trova la <B>funzione</B> che minimizza gli <B>errori sul training set</B> e la <B>complessità della funzione</B>, dando opzionalmente <B>priorità</B> a uno dei due addendi.</Quote>
-                        <Heading level={3}>
+                </Parenthesis>
-                            Loss function
+            </Box>
-                        </Heading>
+        </Chapter>
-                    </Box>
+        <Chapter>
-                    <Box todo>
+            <Box>
-                        <Heading level={3}>
+                <Heading level={3}>
-                            Complessità della funzione
+                    Hypothesis space
-                        </Heading>
+                </Heading>
-                    </Box>
+                <p>
-                </Chapter>
+                    <TeX block math={r`\mathcal{H}`}/>
+                </p>
+                <p>
+                    <I>Spazio</I> delle <B>funzioni adatte</B> a descrivere la relazione tra input e output.
+                </p>
+            </Box>
+            <Box>
+                <Heading level={3}>
+                    Loss function
+                </Heading>
+                <p>
+                    <TeX block math={r`\sum_{i=1}^N \hspace{0.5em} V(y_i, f(x_i))`}/>
+                </p>
+                <p>
+                    Funzione <u>predeterminata</u> che <B>determina l&apos;errore</B> del modello su un elemento del training set.
+                </p>
+            </Box>
+            <Box>
+                <Heading level={3}>
+                    Complessità della funzione
+                </Heading>
+                <p>
+                    <TeX block math={r`\| f \|^2`}/>
+                </p>
+                <Parenthesis todo>
+                    Non ancora spiegato.
+                </Parenthesis>
+                <Parenthesis todo>
+                    È la <I>norma a infinito al quadrato</I> o la <I>norma quadratica</I>?
+                </Parenthesis>
+            </Box>
+            <Box>
+                <Heading level={3}>
+                    Priorità
+                </Heading>
+                <p>
+                    <TeX block math={r`\lambda`}/>
+                </p>
+                <p>
+                    Parametro moltiplicativo <U>predeterminato</U> che permette di selezionare quanta <B>importanza</B> dare agli errori sul training set rispetto alla complessità del modello.
+                </p>
+                <Parenthesis>
+                    <p>
+                        Se <U>minore</U> di 1, prioritizza gli errori.<br/>
+                    </p>
+                    <p>
+                        Se <U>maggiore</U> di 1, prioritizza la semplicità.
+                    </p>
+                </Parenthesis>
+                <Parenthesis>
+                    <p>
+                        Se troppo <U>basso</U>, il modello commette <B>overfitting</B>.
+                    </p>
+                    <p>
+                        Se troppo <U>alto</U>, il modello <B>perde accuratezza</B>.
+                    </p>
+                </Parenthesis>
             </Box>
         </Chapter>
     </>