MA COS'E' IL MACHINE LEARNING
Un sistema di Machine Learning (apprendimento automatico) parte da una fase di training, apprende da esempi. Successivamente è in grado di generalizzare e gestire nuovi dati nello stesso dominio applicativo.
Tiziano Cianti
CTO&Founder EIskill
Machine Learning è oggi ritenuto uno degli approcci più importanti dell’intelligenza artificiale.
Un sistema di Machine Learning (apprendimento automatico) durante la fase di training apprende a partire da esempi (in modo più o meno supervisionato). Successivamente è in grado di generalizzare e gestire nuovi dati nello stesso dominio applicativo.
I dati sono un ingrediente fondamentale del machine learning, dove il comportamento degli algoritmi non è pre-programmato ma appreso dai dati stessi. Nel corso del tempo, sono stati sviluppati molti approcci di apprendimento automatico delle macchine. Puoi usare questa mappa dal team di scikit-learn come guida per i metodi più popolari.
“I dati sono un ingrediente fondamentale del machine learning “
Classificazione: assegna una classe a un pattern.
Il concetto di classe è semantico e dipende strettamente dall’applicazione: per esempio 10 classi per il riconoscimento delle cifre da 0-9.
Esempi di problemi di classificazione:
• Emotion recognition
• Face recognition
• Pedestrian classification
Regressione: assegna un valore continuo a un pattern.
Utile per la predizione di valori continui.
Esempi di problemi di regressione:
• Object detection
• Stima prezzi vendita appartamenti nel mercato immobiliare
• Stima del rischio per compagnie assicurative
Clustering: individua gruppi (cluster) di pattern con caratteristiche simili. Le classi del problema non sono note e i pattern non etichettati rendendo così la natura non supervisionata del problema più complesso della classificazione. I cluster individuati nell’ apprendimento possono essere poi utilizzati come classi.
Esempi di problemi di clustering:
• Marketing segmentation
• Social network analysis
• Search result grouping
• Medical imaging
• Image segmentation
Riduzione di dimensionalità: riduce il numero di dimensioni dei pattern in input.
Il successo di molte applicazioni di machine learning dipende dall’efficacia di rappresentazione dei pattern in termini di estrazioni delle caratteristiche. Ad esempio per il riconoscimento di oggetti esistono numerosi descrittori di forma, colore e texture che possiamo utilizzare per convertire immagini in vettori numerici.
Data un’immagine di input di pixel, applicheremmo il nostro algoritmo per i pixel, e in cambio riceviamo un vettore di funzionalità che quantifica il contenuto dell’immagine. I vettori di caratteristiche che risultavano dall’estrazione delle caratteristiche sono ciò che noi siamo veramente interessati in quanto servono da input per i nostri modelli di apprendimento automatico.