Mostra i principali dati dell'item

dc.contributor.advisorSorce, Alessandro <1984>
dc.contributor.authorGhanem, Alyaa Ashraf Ali Mahmoud Aly <1994>
dc.contributor.otherAndriy Vasylyev
dc.date.accessioned2024-10-31T15:11:54Z
dc.date.available2024-10-31T15:11:54Z
dc.date.issued2024-10-15
dc.identifier.urihttps://unire.unige.it/handle/123456789/9946
dc.description.abstractQuesta tesi presenta un confronto completo delle implementazioni di modelli di apprendimento automatico in due piattaforme ampiamente utilizzate: MATLAB e Python. Lo studio esamina a fondo vari aspetti di entrambi gli ambienti, concentrandosi su fattori chiave come le prestazioni computazionali, la facilità d'uso, il supporto delle librerie e la scalabilità. In particolare, la ricerca valuta la velocità di esecuzione, il consumo di memoria e la flessibilità delle piattaforme nell'adattare gli algoritmi di apprendimento automatico a insiemi di dati reali. Inoltre, l'esperienza dell'utente viene analizzata in termini di complessità di programmazione, supporto della comunità e capacità di visualizzazione. Una serie diversificata di algoritmi di apprendimento automatico, tra cui regressione lineare, Random Forest e reti neurali, viene rigorosamente testata su insiemi di dati di varie dimensioni e complessità per valutare le prestazioni di ciascuna piattaforma in diversi scenari. Evidenziando questi fattori, questa ricerca mira a fornire spunti di riflessione per i ricercatori accademici e gli operatori del settore, guidandoli nella scelta dello strumento più appropriato per le loro specifiche attività di apprendimento automatico. I risultati contribuiscono alle discussioni in corso sull'uso ottimale di MATLAB e Python, con implicazioni per gli sviluppi futuri delle applicazioni di apprendimento automatico.it_IT
dc.description.abstractThis thesis presents a comprehensive comparison of machine learning model implementations in two widely utilized platforms: MATLAB and Python. The study thoroughly examines various aspects of both environments, focusing on key factors such as computational performance, ease of use, library support, and scalability. Specifically, the research evaluates execution speed, memory consumption, and the platforms' flexibility in adapting machine learning algorithms to real-world datasets. Additionally, user experience is analyzed in terms of programming complexity, community support, and visualization capabilities. A diverse set of machine learning algorithms, including linear regression, Random Forest, and neural networks, are rigorously tested on datasets of varying size and complexity to assess each platform’s performance across different scenarios. By highlighting these factors, this research aims to provide actionable insights for academic researchers and industry practitioners, guiding them in selecting the most appropriate tool for their specific machine learning tasks. The findings contribute to ongoing discussions regarding the optimal use of MATLAB and Python, with implications for future developments in machine learning applications.en_UK
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/openAccess
dc.titleMachine Learning in Practice MATLAB vs. Pythonit_IT
dc.title.alternativeMachine Learning in Practice MATLAB vs. Pythonen_UK
dc.typeinfo:eu-repo/semantics/masterThesis
dc.subject.miurING-IND/09 - SISTEMI PER L'ENERGIA E L'AMBIENTE
dc.subject.miurING-INF/01 - ELETTRONICA
dc.publisher.nameUniversità degli studi di Genova
dc.date.academicyear2023/2024
dc.description.corsolaurea10728 - ENGINEERING TECHNOLOGY FOR STRATEGY (AND SECURITY)
dc.description.area9 - INGEGNERIA
dc.description.department100026 - DIPARTIMENTO DI INGEGNERIA NAVALE, ELETTRICA, ELETTRONICA E DELLE TELECOMUNICAZIONI


Files in questo item

Thumbnail

Questo item appare nelle seguenti collezioni

Mostra i principali dati dell'item