new

Here are the slides I use for my course about “Naive Bayes Classifier”. The main originality of this presentation is that I show it is possible to extract an explicit model based on the calculations of the conditional distributions. This makes highly easier the deployment of the model in real case studies. This aspect is commonly unknown. The feature selection problem in the context of Naive Bayes Classifier learning is also highlighted. Keywords : machine learning, supervised methods, naive bayes, independence assumption, independent feature model, feature selection, cfs Slides : Naive Bayes classifier References : T. Mitchell, " Generative and discriminative classifiers: naive bayes and logistic regression ", in "Machine Learning", McGraw Hill, 2010; Draft of January 2010. Wikipedia, " Naive Bayes classifier ".

Secondo un report di Netcraft, azienda per la ricerca e per la sicurezza, alcuni hacker avrebbero compromesso i server di EA Games e starebbero cercando di violare, tramite di essi, gli Apple ID degli utenti, in modo da rubare le credenziali di accesso, le informazioni delle carte di credito e altre informazioni. Il comunicato di Netcraft, pubblicato nella giornata di ieri, è stato seguito da un contatto diretto con EA da parte del gruppo di ricerca. Tuttavia, per il momento non sono stati resi noti i server e i siti di phishing collegati ad Apple che gli hacker hanno creato per rubare le informazioni agli utenti. Secondo Netcraft, il sito di phishing è stato caricato sui server di Apple e non chiede soltanto la username e la password dell’utente che vi si collega, ma richiede l’inserimento “del nome completo, del numero della carta di credito, la data di scadenza, il codice di verifica, la data di nascita, il numero di telefono, il nome di battesimo di un genitore e altre informazioni

Sintomi Scopri come rimuovere un dispositivo dall'ID Apple di un precedente proprietario per poterlo attivare e usare. Soluzione Se il dispositivo è già stato inizializzato Se il dispositivo è già stato inizializzato, ma è ancora collegato all'account del precedente proprietario, durante la procedura di configurazione e attivazione del dispositivo ti verranno richiesti l'ID Apple e la password del precedente proprietario, come mostrato di seguito.         Se il precedente proprietario è presente e può accedere al dispositivo Chiedigli di inserire il suo ID Apple e la sua password nella schermata relativa all'attivazione dell'iPhone (mostrata in precedenza) per rimuovere il dispositivo dal suo account. Puoi quindi procedere con la procedura di configurazione del dispositivo. Se il precedente proprietario non è presente Contatta il precedente proprietario e chiedigli di seguire questi passaggi per rimuovere il dispositivo dal suo account: Deve accedere all'account

Ecco il confronto di adozione tra iOS 7 e iOS 7.1  15 marzo 2014  Written by Francesco Siciliani La piattaforma Onswipe ha creato un report infografico che effettua un confronto con i dati di adozione di iOS 7 e quelli di iOS 7.1 nei primi 4,5 giorni del rilascio. Come mostra il grafico, iOS 7.0 ha guadagnato in poco tempo il 45,90% delle adozioni, mentre iOS 7.1 ha guadagnato solo il 28,27%. Il risultato però non deve essere visto in chiave negativa: il cambiamento radicale di iOS 7 ha fatto in modo che molti più utenti aggiornassero i propri device per soddisfare un desiderio di “rinnovamento”, mentre iOS 7.1, che porta innovazioni più “interne” e tecniche ha guadagnato un ottimo risultato per essere così meno “in vista”. Interessante notare che entrambi i sistemi però nelle prime ore hanno coinvolto quasi lo stesso numero degli utenti e, solo dopo, hanno iniziato a differenziarsi. “iOS 7.1 e 7.0 hanno avuto una curva di crescita simile nelle prime ore” -  dice l’analista di Onswipe,

Here are the slides I use for my course about “Linear Discriminant Analysis” (LDA). The two main assumptions which enable to obtain a linear classifier are highlighted. The LDA is very interesting because we can interpret the classifier in different ways: it is a parametric method based on the MAP (maximum a posteriori) decision rule; it is a classifier based on a distance to the conditional centroids; it is a linear separator which defines various regions in the representation space. Statistical tools for the overall model evaluation and the checking of the relevance of the predictive variables are presented. Keywords : machine learning, supervised methods, discriminant analysis, predictive discriminant analysis, linear discriminant analysis, linear classification functions, wilks lambda, stepdisc, feature selection Slides : linear discriminant analysis References : J. Gareth, D. Witten, T. Hastie, R. Tibshirani, "An introduction to statistical learning with applications in R&quo

Here are the slides I use for my course about “Regression Trees”. Because this course comes after the one about “Decision Trees”, only the special features for the handling of a continuous target attribute are highlighted. The described algorithms correspond roughly to the AID and the CART approaches. Keywords : machine learning, supervised methods, regression tree, aid, cart, continuous class attribute Slides : regression trees References : L. Breiman, J. Friedman, R. Olshen and C. Stone, “Classification and Regression Trees”, Wadsworth Int. Group, 1984. J. Morgan, J.A. Sonquist, "Problems in the Analysis of Survey Data and a Proposal", JASA, 58:415-435, 1963.

Here are the slides I use for my course about the existing decision tree learning algorithms. Only the most popular ones are described: C4.5, CART and CHAID (a variant). The differences between these approaches are highlighted according: the splitting measure; the merging strategy during the splitting process; the approach for determining the right sized tree. Keywords : machine learning, supervised methods, decision tree learning, classification tree, chaid, cart, c4.5 Slides : C4.5, CART and CHAID References : L. Breiman, J. Friedman, R. Olshen and C. Stone, “Classification and Regression Trees”, Wadsworth Int. Group, 1984. G. Kass, “An exploratory technique for Investigating Large Quantities of Categorical Data”, Applied Statistics, 29(2), 1980, pp. 119-127. R. Quinlan, “C4.5: Programs for machine learning”, Morgan Kaufman, 1993.