MACHINE LEARNING: 3 TIPI DI APPRENDIMENTO PER L’INTELLIGENZA ARTIFICIALE

Come vengono elaborati i dati nella Machine Learning? Esistono modalità differenti di apprendimento automatico e ognuna insegna alla macchina dei modelli di comportamento che portano risultati altrettanto differenti in termini di qualificazione e predittività delle informazioni trapelate

In questo articolo si parla di:

La Machine Learning, o apprendimento automatico, è una branca dell’intelligenza artificiale che, nello specifico ambito informatico, si basa sull’abilità di una macchina di apprendere delle informazioni dai dati, al fine di elaborare delle regole di comportamento e agire secondo queste ultime. La macchina può elaborare tali regole per mezzo di varie tecniche, come ad esempio la statistica, secondo la quale si migliora la performance di un algoritmo nell’identificazione di un determinato pattern di dati.

Le tre macrocategorie di Machine Learning

Allo stato dell’arte attuale, esistono 3 grandi sottogruppi di Machine Learning: l’apprendimento con supervisione – o supervised learning, l’apprendimento senza supervisione o unsupervised learning e infine l’apprendimento con rinforzo o reinforcement learning. Vediamo le caratteristiche peculiari di ciascuna modalità di apprendimento.

“L’approccio, per la macchina, è esplorativo – del tipo “prova – sbaglia – correggi, impara e riprova” – e produce azioni più autonome e deliberate rispetto al puro apprendimento con supervisione. Tuttavia l’azione è modulata dal tipo di feedback ricevuto – negativo o positivo – dalla macchina ed è da esso che viene disciplinato”

Apprendimento con supervisione: le etichette che istruiscono la macchina

In questa tipologia di apprendimento lo scopo è istruire un modello partendo da dati etichettati, ovvero già predisposti e qualificati, i cui segnali di output – le etichette – sono già noti alla macchina. Un esempio di applicazione di supervised learning è il filtraggio di messaggi di posta elettronica in spam e non spam, attraverso un prototipo di messaggi che sono stati etichettati e contrassegnati per mezzo di qualifiche – dette anche classificazioni – già indicate alla macchina, alla quale rimane il compito di individuarle per compiere l’azione di filtraggio.

Apprendimento con rinforzo: sbaglia, correggi e riprova

Attraverso l’apprendimento con rinforzo viene creato un sistema – detto agente – che migliora le proprie capacità di discernimento sulla base di interazioni con l’ambiente. Questo avviene per mezzo di segnali di ricompensa – reward – che non corrispondono né a etichette né a valori di verità, ma ad una misura di qualità propria dell’azione motivo della ricompensa. In tal modo, un agente impiega il reinforcement learning per apprendere un serie di azioni che massimizzano la ricompensa attesa. L’approccio, per la macchina, è esplorativo – del tipo “prova – sbaglia – correggi, impara e riprova” – e produce azioni più autonome e deliberate rispetto al puro apprendimento con supervisione. Tuttavia l’azione è modulata dal tipo di feedback ricevuto – negativo o positivo – dalla macchina ed è da esso che viene disciplinato.

Apprendimento non supervisionato: caratteristiche e vantaggi

L’apprendimento senza supervisione prevede la costruzione di modelli di dati senza etichette o meccanismi di rinforzo. L’obbiettivo di tale apprendimento è che, attraverso meccanismi in cui la macchina mima determinati comportamenti, essa generi una rappresentazione propria dei dati che le vengono dall’esterno. In questo tipo di apprendimento la macchina produce una auto-organizzazione dei dati assimilati, in grado di catturare schemi e probabilità. Due esempi di apprendimento non supervisionato sono le reti neurali e le metodologie di calcolo basate sulla probabilità.

KAREN SPARCK JONES: LA RICERCATRICE CHE SCOPRI’ COME IL LINGUAGGIO UMANO POTEVA ADATTARSI AI MOTORI DI RICERCA WEB

Karen Sparck Jones fu l’informatica che gettò le basi per la creazione di informazioni evolute per i motori di ricerca, combinando scienze statistiche e linguistiche, ideando la funzione di peso td-idf, in grado di misurare la rilevanza di uno specifico termine di relazione tra uno o più documenti In questo articolo si parla di: Nel … Continua a leggere KAREN SPARCK JONES: LA RICERCATRICE CHE SCOPRI’ COME IL LINGUAGGIO UMANO POTEVA ADATTARSI AI MOTORI DI RICERCA WEB

HERBERT A. SIMON: SOCIETA’ E SCIENZA NON VIAGGIANO NELLA STESSA DIREZIONE

Il grande pensatore statunitense, che affondò nello studio del conflitto tra beneficio individuale e collettivo una radice per lo sviluppo di tecnologie di intelligenza artificiale In questo articolo si parla di: Herbert A. Simon è nato a Milwaukee il 15 giugno 1916 da Arthur Simon, ingegnere elettrico che arrivò dalla Germania negli Stati Uniti nel … Continua a leggere HERBERT A. SIMON: SOCIETA’ E SCIENZA NON VIAGGIANO NELLA STESSA DIREZIONE

JOHN MCCARTHY: LO STUDIO DELLA RAPPRESENTAZIONE DELLA CONOSCENZA PER FORMULARE LE RISPOSTE ALLE CRITICITA’ DELL’INTELLIGENZA ARTIFICIALE

Studioso dei metodi di rappresentazione della conoscenza, il matematico statunitense firma una delle ricerche più importanti in ambito AI. John McCarthy combina gli elementi del linguaggio di programmazione IPL per creare il linguaggio LISP, ancora oggi punto di riferimento per lo studio dei prototipi di linguaggi ideati per l’Intelligenza Artificiale In questo articolo si parla … Continua a leggere JOHN MCCARTHY: LO STUDIO DELLA RAPPRESENTAZIONE DELLA CONOSCENZA PER FORMULARE LE RISPOSTE ALLE CRITICITA’ DELL’INTELLIGENZA ARTIFICIALE

Una peculiarità dell’apprendimento non supervisionato è quello di poter individuare strutture nascoste di dati e le conseguenti caratteristiche, risultato che sarebbe improbabile attraverso un modello di apprendimento supervisionato come quello del reinforcement learning, dove esiste la guida di una variabile risultante da una nota di ricompensa.

Author: Claudia Sistelli

© Riproduzione Riservata

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo di WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...