Che cosa è il Machine Learning (ML)
Premessa per chi già conosce, studia o lavora nel settore dell'intelligenza artificiale : Questa definizione di machine learning è stata semplificata per chi è ai primi approcci con la materia.
Successivamente verranno pubblicati molti approfondimenti ed esempi pratici,
Buona Lettura.

Il Machine Learning è una branca dell'intelligenza artificiale.
La traduzione in italiano è "apprendimento delle macchine", il che letto così è anche un po' inquietante.
Questo termine venne usato per la prima volta nel 1959 da un ricercatore americano, il quale aveva supposto che se ad un computer è possibile fornirgli degli esempi accurati e ben lavorati riguardanti un determinato campo ( ad esempio dati riguardanti le case, dati riguardanti cartelle cliniche) allora questo sarebbe stato in grado, tramite algoritmi complessi, di fare delle stime o delle classificazioni su dati che non aveva mai visto, basandosi solo sui dati degli esempi iniziali.
Effettivamente ciò, in parte, è risultato vero.
Una seconda definizione è stata data da Tom Michael Mitchell, direttore del dipartimento Machine Learning della Carnegie Mellon University:
Si dice che un programma apprende dall’ esperienza E con riferimento a alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E
Questa definizione più "matematica" in altre parole dice che:
se un programma migliora i suoi risultati/performance ( ad esempio la stima del prezzo di una casa) in base alla quantità di esempi su cui si è allenato allora questo programma è in grado di apprendere.
Ma vediamo come sia possibile una tale diavoleria.
Alla base di queste stime e classificazioni basate su grandi datasets ( grandi quantità di esempi, composti da una serie di attributi e un target ) abbiamo la STATISTICA E PROBABILITÀ.
Come appena detto il computer si basa su una serie di esempi, composti da una serie di etichette "indipendenti" che descrivono o classificano una variabile di target, in statistica chiamata variabile "dipendente"

Successivamente grazie a complesse formule di probabilità e statistica sugli esempi passati vennero creati modelli matematici dove ad ogni variabile indipendente sarà corrisposto un "peso" per la stima finale.
Ad esempio per quanto riguarda il prezzo di una casa la variabile che ha un peso maggiore, e cioè incide maggiormente, è la Dimensione della casa.
Supponiamo adesso di voler "passare" ad un algoritmo di machine learning due colonne di dati ( le dimensioni della casa e il suo valore ) aventi il seguente formato :
Dimensioni | Prezzo
40 m³ | 50.000$
60 m³ | 70.000$
80 m³ | 100.000$
100 m³ | 120.000$
140 m³ | 250.000$
Dando ora questi dati in pasto al nostro algoritmo
questo genererà una tale correlazione tra la variabile indipendente "dimensioni" e la variabile dipendente "prezzo"

La linea rossa che potete vedere indica la crescita dei prezzi delle case sulla base delle loro dimensioni.
Per arrivare a creare questo grafico il computer è partito rappresentando dei punti con coordinate x=le dimensioni della casa e y=il prezzo delle case, per poi cercare una funzione che descrive l'andamento nel grafico di tutti questi punti.
Dopo aver creato tale Modello e data in input una nuova dimensione della casa questo sarà in grado, basandosi sugli esempi precedenti, di fare una stima del prezzo.
Grazie per la lettura, condividi l'articolo per supportarci.