Autoage

Machine Learning

Cos'è il Machine Learning

Il Machine Learning è un settore dell'intelligenza artificiale che studia l'apprendimento di una macchina in autonomia e senza bisogno dell'uomo.

In pratica è la capacità di un computer di imparare dagli esempi, dall'esperienza e dall'osservazione dell'ambiente.

In questo modo la macchina può decidere, classificare e prevedere gli eventi senza seguire un programma scritto da un programmatore.

Un esempio pratico

Si fornisce alla macchina un file contenente migliaia di fiori ( dataset o training set )

Per ogni fiore è indicato il nome della specie (etichetta o label) e le caratteristiche del fiore (larghezza, lunghezza).

Cos'è l'etichetta? L'etichetta è la risposta giusta che ci attendiamo dalla macchina.

Nella fase di apprendimento la macchina elabora gli esempi, le caratteristiche e le etichette, e costruisce un modello decisionale.

Una volta realizzato il modello, lo usa per riconoscere la specie dei fiori a partire dalle loro caratteristiche, senza leggere l'etichetta.

Per testare l'affidabilità del modello si utilizza un altro dataset contenente esempi diversi ( test set ).

Nota. Questo esempio è tratto da un dataset realmente esistente. Si chiama Iris ed è usato come dataset didattico nello studio dell'apprendimento automatico.

Le tecniche e gli algoritmi di machine learning

Non esiste un solo algoritmo di apprendimento, ci sono diversi approcci all'argomento.

I principali sono i seguenti

  • Machine Learning supervisionato
    Viene fornito alla macchina un elenco di esempi detto dataset con la risposta esatta (label o etichetta) per addestrarsi a prendere la decisione giusta. Durante l'addestramento la macchina costruisce un modello decisionale sulla base degli esempi e delle risposte corrette.
  • Machine Learning non supervisionato
    Viene fornito alla macchina un elenco di esempi, o dati grezzi, senza alcuna indicazione sulla risposta esatta. E' la macchina a dover individuare un pattern o una schema, qualche regolarità utile per costruire un modello decisionale.
  • Reinforcement Learning
    Viene fornita alla macchina una funzione obiettivo da massimizzare. Nel corso del tempo la macchina impara quali decisioni avvicinano al raggiungimento dell'obiettivo tramite ricompense e penalty. E' detto apprendimento per rinforzo.
  • Deep Learning
    Nel deep learning l'apprendimento si basa sull'utilizzo delle reti neurali (neural network). La macchina modifica la rete e i pesi degli archi tra i nodi per classificare o per formulare una previsione.







Home Page | Per contattarci | PIVA 09286581005 | Privacy e preferenze cookies | All rights reserved 2017

Questo sito utilizza cookie tecnici. Sono presenti alcuni cookie di terzi ( Gooogle, Facebook ) per la personalizzazione degli annunci pubblicitari. Cliccando su OK, scorrendo la pagina o proseguendo la navigazione in altra maniera acconsenti all’uso dei cookie.

Per ulteriori informazioni o per revocare il consenso fai riferimento alla Privacy del sito.