Questo progetto implementa un Percettrone, il modello più semplice di rete neurale artificiale, per analizzare lo storico delle estrazioni del Superenalotto.

Disclaimer importante: Le estrazioni della lotteria sono eventi progettati per essere casuali e imprevedibili. Questo progetto è un esercizio puramente didattico finalizzato a comprendere i fondamenti del machine learning, i meccanismi di un classificatore binario e i suoi limiti. Non deve essere utilizzato per scopi di gioco d'azzardo, in quanto le "previsioni" generate non hanno alcuna validità statistica per predire estrazioni future.

Il Percettrone è un algoritmo di apprendimento supervisionato introdotto nel 1957 dallo psicologo Frank Rosenblatt. Può essere considerato un "neurone artificiale" e funge da classificatore lineare binario.

In sintesi:

• Obiettivo: Imparare a separare dati in due categorie distinte (es. 0 o 1).

• Funzionamento: Calcola una somma pesata degli input, aggiunge un valore di bias e applica una funzione di attivazione per produrre l'output finale.

• Formula: Output = FunzioneDiAttivazione( (Σ (pesi * input)) + bias )

• Limite principale: Può risolvere solo problemi linearmente separabili, ovvero problemi in cui le due classi di dati possono essere divise da una singola linea retta.

Data la natura binaria del Percettrone, questo script non può prevedere una combinazione completa di 6 numeri. Invece, riformula il problema in un compito di classificazione binaria.

• Lo script legge lo storico delle estrazioni da un file estrz.csv.

• I dati vengono trasformati per adattarsi al modello. Ad esempio, il problema potrebbe essere semplificato in:

  • Previsione di un singolo numero: Il modello viene addestrato per prevedere se un numero specifico (es. il 50) apparirà o meno nella prossima estrazione (1 se presente, 0 se assente).

  • Classificazione di una proprietà: Il modello impara a classificare un'estrazione in base a una caratteristica binaria (es. "la somma dei numeri estratti sarà pari o dispari?").

L'apprendimento avviene attraverso un processo iterativo:

1. Inizializzazione: I pesi e il bias del percettrone vengono inizializzati con valori piccoli (casuali o nulli).

2. Iterazione (Epoche): Il modello cicla attraverso i dati storici più volte. Per ogni estrazione passata:

   1. Calcolo della Previsione: Il percettrone calcola un output (0 o 1) usando i pesi correnti.

   2. Calcolo dell'Errore: L'output viene confrontato con il risultato reale di quell'estrazione.

   3. Aggiornamento dei Pesi: Se la previsione è errata, i pesi e il bias vengono leggermente corretti per ridurre l'errore futuro. La dimensione di questa correzione è controllata dal learning rate.

3. Convergenza: Il processo si ripete finché il modello non impara a classificare correttamente i dati di addestramento (early_stopping) o raggiunge il numero massimo di epoche.

Una volta addestrato, il percettrone può essere usato per classificare nuovi dati. L'output sarà sempre un valore binario (0 o 1) che risponde alla domanda specifica per cui è stato addestrato (es. "il numero X sarà presente?"). Non genererà una combinazione di numeri.

Questo progetto è sviluppato all'interno di un Jupyter Notebook (.ipynb). Per eseguirlo, non si utilizza un comando diretto da terminale come per un normale script Python, ma si interagisce con l'ambiente Jupyter.

pip install pandas numpy scikit-learn tensorflow

jupyter lab oppure jupyter notebook

1. Naviga al file: Si aprirà una scheda nel tuo browser. Usa l'interfaccia per navigare fino alla cartella del progetto e apri il file .ipynb.

2. Esegui le celle: Puoi eseguire le celle di codice una per una. Seleziona una cella e premi Shift + Enter per eseguirla. In alternativa, puoi usare i pulsanti nell'interfaccia o le opzioni nel menu "Run" (es. "Run All Cells") per eseguire l'intero notebook in una volta sola.