I diversi modelli di apprendimento automatico, Machine Learning
Il Machine Learning è stato diviso in 3 grandi famiglie, le quali si differenziano per il diverso approccio usato per l'apprendimento dei dati.
Vediamo subito quali sono i tre sottogruppi del Machine Learning:
Apprendimento con Supervisione
L'obiettivo dell'Apprendimento con Supervisione consiste nel creare un modello partendo da Dati di Addestramento già etichettati, grazie al quale saremo in grado di fare previsioni su dati nuovi o futuri.
Ora vediamo nello specifico come questo sia possibile.
Ti propongo il seguente schema:
Per farti capire meglio suddividiamo il processo di Apprendimento con Supervisione in 3 step.
step 1 : Per far in modo che il nostro programma possa predire o classificare un target abbiamo bisogno di un set di dati ( Dataset ) all' interno del quale avremo delle "variabili indipendenti" ( nello schema X1 e X2 ) e una "variabile dipendente" ( nello schema Y ) la quale sarà il nostro target.
step 2 : Una volta raccolti i dati e preparato accuratamente il nostro set di dati, lo daremo in pasto ad un algoritmo di apprendimento. L'obiettivo del programma sarà quello di trovare una funzione o un iperpiano (in base alle dimensioni di input) in grado di descrivere o dividere/classificare il target.
step 3 : Quando il nostro algoritmo avrà terminato ci darà in output il modello, grazie al quale saremo in grado di poter effettuare le nostre previsioni.
Il termine "Supervisione" ci fa intendere che questo tipo di apprendimento non viene effettuato autonomamente dalla macchina, c'é infatti il bisogno di un contributo da parte di un esperto. Nello step 1 sarà proprio l'esperto a dover creare una struttura dati che la macchina può leggere ( ad esempio un foglio excel, un file Json o un file di testo ). Nello step 2 sarà sempre un esperto a valutare quale algoritmo applicare per ottenere i risultati migliori. Ecco quindi perché si parla di "Supervisione".
Apprendimento Rinforzato
Questo tipo di Apprendimento è molto diverso dal tipo di apprendimento visto precedentemente, anche se da esperti del settore viene considerato un sottogruppo dell'Apprendimento con Supervisione.
Come prima, ti propongo un semplice schema per provare a spiegarti come funzioni.
Al principio di questo Apprendimento abbiamo un Agente, ossia un algoritmo che riceve in input lo stato dell'ambiente dove si trova.
Questo Agente in base agli input ricevuti effettua un'azione, la quale viene valutata da una Funzione Ricompensa che genera un feedback per il nostro Agente il quale ricalcolerà la prossima azione in base alla ricompensa ricevuta.
Vediamo ora un esempio:
Immaginiamo che il nostro Agente sia un topolino e immaginiamo si trovi all'interno di un labirinto ( Ambiente ) con l'obiettivo di arrivare ad una carota ( Target ).
Il nostro Agente è in grado di muoversi all'interno dell'ambiente quindi é in grado di compiere delle azioni.
Come puoi vedere dall'immagine, abbiamo supposto che la prima matrice sia il labirinto e gli zeri dentro le celle siano le ricompense di partenza.
Dopo aver allenato il nostro Agente, questo avrà trovato le giuste ricompense per arrivare alla soluzione del labirinto, mangiando finalmente la sua carota!
Apprendimento senza Supervisione
Prima della spiegazione ci tengo a farti notare quanto sia
spaventoso il termine Apprendimento Senza Supervisione 😂.
Come hai potuto notare i primi due tipi di Apprendimento per arrivare ad un modello o ad un obiettivo hanno bisogno di un insieme di dati strutturati (ad esempio un file excel o una matrice). Questo tipo di apprendimento invece riceve in input una grande mole di dati non etichettati, quindi dove non selezioniamo un target come la Y o la carota vista prima. Trova invece delle possibili strutture che traggono informazioni inizialmente non leggibili o nascoste da questi dati.
Supponiamo di possedere una marea di dati riguardanti gli interessi dei nostri clienti e di non riuscire a trovare delle profilature adatte: cosa fare?
Decidiamo di dare in pasto i nostri dati ad un algoritmo di Apprendimento Senza Supervisione e questo algoritmo ( chiamato clustering ) senza avere un target sará in grado di ricercare e trovare dei sottogruppi dei clienti in base ai loro interessi.
Ecco nell'immagine sottostante un esempio di quanto appena detto:
Grazie mille per la lettura, condividi per sostenerci
.png)
