Premessa

 

Il Machine Learning si basa sull’idea che i sistemi possono imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo.

Nel Machine Learning la macchina “impara” un qualcosa senza che questo gli venga “esplicitamente” insegnato.

Imparare” significa che viene acquisita una conoscenza e che questa conoscenza può essere messa in pratica anche nel futuro.

In sostanza si insegna al computer un metodo in modo tale che questi possa ripeterlo nel futuro senza l’intervento umano.

L’intervento umano è necessario per l’apprendimento, ma tale intervento non consiste nel dire al computer come comportarsi, ma bensì fornendo una “chiave di lettura” (gli algoritmi) per fare in modo che possa interpretare i dati a disposizione.

Logica e funzionamento

 

Gli algoritmi di Machine Learning non si basano sulla relazione azione-reazione come i programmi tradizionali in cui è il programmatore che ha previsto una reazione che deve seguire ad ogni azione. La logica di programmazione tradizionale vedeva il programmatore come attore primario e responsabile di codificare “tutto” nel programma con evidente rischio di non poter prendere in considerazione tutti i fattori.

Con il Machine Learning invece la macchina “impara” dagli eventi passati nutrendosi di dati ed esempi che le permettono di identificare regole e pattern comportamentali da utilizzare successivamente sui nuovi casi.

L’apprendimento consente quindi di capire, con un grado sempre maggiore di accuratezza, se i nuovi casi rispondono o meno alle regole imparate precedentemente.

 

A cosa serve

 

Il Machine Learning è utilizzato per molteplici scopi in cui è richiesto alla macchina di prendere delle decisioni sui dati, principalmente per la risoluzione di tre tipologie di problemi:

  1. classificazione, quando è necessario decidere a quale categoria appartiene un determinato dato
  2. raggruppamento (clustering), quando si vuole raggruppare i dati che presentano caratteristiche simili
  3. regressione, cioè prevedere il valore futuro di un dato avendo noto il suo valore attuale

 

Gli approcci di Machine Learning

 

In base alla tipologia dei dati, al livello di conoscenza a cui si tende, alla capacità tecnologica e computazionale (per garantire la massima performance e accuratezza del risultato) gli algoritmi possono utilizzare metodologie ed approcci di apprendimento differenti:

  1. Supervised learning utilizzato per classificazione, previsione, rilevamento anomalie
  2. Semi Supervised learning utilizzato per classificazione, clustering
  3. Unsupervised learning utilizzato per clustering, knowledge discovery
  4. Reinforcement learning utilizzato in tutti gli ambiti in cui la macchina si deve adattare all’ambiente e ai suoi cambiamenti (es. macchine autonome)

Quelli maggiormente adottati sono l’apprendimento supervisionato e l’apprendimento non supervisionato.

 

Algoritmi

 

Esistono differenti tipi di algoritmi di Machine Learning e non esiste l’algoritmo perfetto, quello che si può utilizzare in tutte le circostanze.

Il primo passo da compiere nella scelta degli algoritmi da utilizzare è la comprensione dello scenario (classificazione, regressione, clustering, etc.) e il relativo approccio da utilizzare (supervisionato, non supervisionato, semi supervisionato, reinforcement).

 

Qui l’elenco degli algoritmi di apprendimento automatico comunemente utilizzati:

  • Linear Regression
  • Logistic Regression
  • Decision Tree
  • SVM
  • Naive Bayes
  • kNN
  • K-Means
  • Random Forest
  • Dimensionality Reduction Algorithms
  • Gradient Boosting algorithms

 

Sei interessato?

Abbiamo sviluppato tantissimi progetti di Data Intelligence utilizzando metodologie e soluzioni di Machine Learning. Per conoscere tutte le nostre soluzioni continua a visitare il nostro sito oppure contattaci saremo lieti di fornirti tutte le informazioni e rispondere alla tue domande.

Visita la nostra Accademia del Dato il prossimo corso su Machine Learning & Data Intelligence potrebbe interessarti.

Rimani sempre aggiornato con la nostra newsletter. Se non sei ancora iscritto clicca qui