Progetto di Machine Learning: Classificazione di Oggetti Pericolosi in Orbita Terrestre

Questo progetto universitario riguarda l'analisi di un dataset contenente oltre 80.000 istanze etichettate di oggetti pericolosi in orbita terrestre. Sono stati addestrati diversi algoritmi di machine learning per rilevare e classificare tali oggetti.

Dataset

https://www.kaggle.com/datasets/sameepvani/nasa-nearest-earth-objects Il dataset utilizzato in questo progetto contiene più di 80.000 istanze di oggetti pericolosi in orbita terrestre. Ogni istanza è etichettata con informazioni riguardanti l'oggetto e il suo stato di pericolosità.

Obiettivo

L'obiettivo principale di questo progetto è sviluppare modelli di machine learning in grado di rilevare e classificare gli oggetti pericolosi in orbita terrestre con un'alta precisione e affidabilità.

Algoritmi di Machine Learning

Durante il corso del progetto, sono stati addestrati i seguenti algoritmi di apprendimento automatico:

• Support Vector Machine (SVM)
• Alberi di Decisione
• Reti Neurali

Strumenti Utilizzati

Il progetto è stato implementato utilizzando principalmente il linguaggio di programmazione Python (Jupyter Notebook) e alcune librerie di machine learning come:

• NumPy
• pandas
• scikit-learn
• TensorFlow
• Keras

Struttura del Repository

Il repository è strutturato come segue:

• Datasets/: Contiene il dataset utilizzato per l'addestramento e la validazione dei modelli.
• Grid Search Results/: Contiene i risultati ottenuti durante l'addestramento e la validazione dei modelli.
• progetto.ipynb: Contiene il Jupyter Notebook utilizzato per l'analisi dei dati, l'addestramento dei modelli e la valutazione delle prestazioni.
• README.md: Il file che stai leggendo, che fornisce informazioni sul progetto.

Come Eseguire il Codice

Per eseguire il codice e riprodurre i risultati ottenuti nel progetto, seguire i seguenti passaggi:

1. Clonare questo repository sul proprio ambiente locale.
2. Assicurarsi di avere installato Python e tutte le librerie necessarie elencate nel file requirements.txt.
3. Esplorare il notebook nel file progetto.ipynb per comprendere il processo di analisi dei dati e addestramento dei modelli.
4. Eseguire i notebook in sequenza per replicare l'intero processo.

Autori

Questo progetto è stato sviluppato come parte di un progetto universitario da:

• Adriano Colombo
• Marco Costato

Contributi

Sono benvenuti contributi e suggerimenti per migliorare questo progetto. Sentiti libero di aprire una nuova issue o una pull request.