Apprendimento Automatico

L’apprendimento automatico (ML) è un sottoinsieme dell’intelligenza artificiale. Si concentra sullo studio di algoritmi informatici che migliorano automaticamente da soli, attraverso l’esperienza. Questi algoritmi sono utilizzati in un’ampia varietà di applicazioni diverse, dalla visione artificiale alle ottimizzazioni matematiche. Gli algoritmi ML sono necessari quando è difficile o non fattibile sviluppare algoritmi convenzionali per svolgere un compito necessario.

I quattro principali tipi di ML includono:

• Algoritmi di apprendimento automatico supervisionato che possono applicare ciò che è già stato appreso in situazioni precedenti a nuovi dati usando esempi etichettati per prevedere possibili eventi futuri.
• Gli algoritmi di apprendimento automatico senza supervisione vengono utilizzati quando le informazioni utilizzate per addestrare il modello non sono né classificate né etichettate. L’apprendimento senza supervisione può dedurre una funzione per descrivere una struttura nascosta da dati senza etichetta. Allo stesso modo, il sistema non ha lo scopo di capire l’output giusto, ma esplora i dati e può trarre inferenze dai set di dati per descrivere strutture nascoste da dati senza etichetta.
• Gli algoritmi di machine learning semi supervisionati rientrano tra l’apprendimento supervisionato e quello non supervisionato. Usano sia i dati etichettati che quelli senza etichetta per l’addestramento, inclinandosi verso i dati senza etichetta. L’apprendimento semi supervisionato viene selezionato quando i dati etichettati acquisiti richiedono risorse qualificate e appropriate per la formazione / apprendimento da ciò. In caso contrario, l’acquisizione di dati senza etichetta in genere non richiede capitale aggiuntivo.
• Il rafforzamento degli algoritmi di apprendimento automatico è un metodo di apprendimento che produce azioni e rileva errori attraverso il suo ambiente. Questo metodo consente all’algoritmo di comprendere automaticamente il comportamento in un contesto specifico al fine di massimizzare le sue prestazioni. Il feedback sulle ricompense è necessario affinché l’agente capisca quale sia l’azione migliore, e questo è noto come segnale di rinforzo.