Machine Learning - introduzione e primi passi
Il Machine Learning definisce modelli capaci di catturare le proprietĆ dei dati e di effettuare decisioni sulle proprietĆ nella quali si ĆØ interessati. Essi, tuttavia, non dovrebbero seguire specifiche istruzioni date dal programmatore, ma devono essere capaci di apprendere dai dati forniti. Questa fase ĆØ anche detta learning stage.
Che cosāĆØ il Machine Learning?
Come funziona il Machine Learning?
Ci sono differenti tecniche per la sua implementazione, le tecniche piĆ¹ adottate tuttavia sono:
- supervised learning: al computer vengono forniti input e output che ci si aspettano in base allāinput; ovvero se vedo una immagine āAā, devo dare in output āAā. Lāobiettivo ĆØ realizzare una lista di regole che gli permettono di essere applicate alle singole immagini. In questo caso, il processo di insegnamento va avanti finchĆ© non si ottiene una percentuale di errore molto bassa
- unsupervised learning: al computer viene dato lāinput ma non gli si dice lāoutput che ci si aspetta, e sta quindi al computer capire correttamente il risultato da dare. Spesso, trattandosi di dati eterogenei, il computer individua dei patterns e cerca di seguire quelli; come ad esempio, per riprendere lāesempio precedente, il colore del pelo di un animale.
- semi supervised learning: ĆØ una via di mezzo fra le due. Viene data solamente una parte di etichette, mentre per unāaltra parte non viene data nessun tipo di informazione aggiuntiva
- reinforcement learning: si descrive come un ārinforzoā, quando il computer riconosce correttamente viene impostato un āpremioā, viceversa una āpunizioneā. Ad esempio, se riconoscessimo un gatto invece di un cane, allora il software verrebbe āpunitoā, qualora invece dovesse riconoscere un cane allora gli daremo un āpremioā. CosƬ fino a quando il computer non riesce, anche in questo caso, ad avere una percentuale di errore bassa.
Quali sono le applicazioni del Machine Learning?
Il Machine Learning continua ad essere utilizzato sempre di piĆ¹: dalla classificazioni di dati al riconoscimento degli oggetti, della voce. Lāesempio piĆ¹ basilare risulta quello dei filti anti spam, ovvero la divisione della mail in due categorie (spam e non spam) e il riconoscimento delle mail che possono risultare dannose.
Un esempio piĆ¹ moderno ĆØ appunto il riconoscimento vocale, basti vedere Siri, o Google Voice; entrambi i software utilizzano degli algoritmi di machine learning per comprendere e capire il tuo tono di voce e le tue parole.
FONTI:
