Il Machine Learning è una delle tecniche di intelligenza artificiale che si occupa di creare sistemi che apprendono o migliorano le performance dei computer e o Robot in base ai dati che utilizzano.
MA COME FUNZIONA IL MACHINE LEARNING?
In sostanza il Machine learning (denominato ML) insegna ai computer e ai robot a fare azioni e attività in modo naturale imparando dall’esperienza (ovvero attraverso programmi di apprendimento automatico). Gli algoritmi di Machine learning usano metodi specifici per apprendere informazioni. Gli algoritmi di ML migliorano le loro prestazioni in modo “adattivo” mano a mano che gli “esempi” da cui apprendere aumentano.
Il Machine learning funziona in linea di principio sulla base di due distinti approcci, identificati da Arthur Samuel alla fine degli anni ’50. Essi permettono di distinguere l’apprendimento automatico in due sottocategorie: apprendimento supervisionato e apprendimento non supervisionato
QUALI SONO LE DIFFERENZE FRA APPRENDIMENTO SUPERVISONATO E NON SUPERVISIONATO?
Con l’apprendimento supervisionato si forniscono al computer esempi completi da utilizzare come indicazione per eseguire il compito richiesto. La figura del data scientist agisce da guida e insegna all’algoritmo i risultati da generare. Alcuni esempi di algoritmi che utilizzano questo tipo di apprendimento sono gli algoritmi di regressione logistica (determinano la probabilità che un evento accada), di classificazione multiclasse (stimano la categoria di un’istanza di dati) e le macchine a vettori (determinano la classificazione di dati)
Attraverso l’apprendimento non supervisionato invece è il software stesso che lavora autonomamente, senza la guida attenta e costante di una persona. Un esempio di algoritmo che utilizza questo metodo di apprendimento è il clustering k-means (suddivisione di un insieme di oggetti in gruppi sulla base dei loro attributi).
COME SI SCEGLIE QUALE METODO UTILIZZARE?
La scelta di un algoritmo di machine learning supervisionato o non supervisionato dipende in genere da diversi fattori. Essi sono correlati alla struttura e al volume dei dati e al settore in cui si desidera applicarlo.