L’apprendimento automatico, o Machine Learning, è una branca dell’intelligenza artificiale che consente di analizzare i dati e migliorare le performance di determinati algoritmi attraverso l’esperienza.
Tali algoritmi permettono di costruire dei modelli attraverso l’analisi di una parte dei dati presenti in un determinato dataset definito training data. Ciò al fine di effettuare previsioni e prendere conseguenti decisioni in qualsiasi disciplina, quali business, economia, medicina o scienza. Successivamente, il modello viene testato con la rimanente parte di dati – testing set – al fine di verificarne l’accuratezza.
Due dei principali metodi di applicazione dell’apprendimento automatico sono il Supervised Machine Learning e l’Unsupervised Machine Learning.
Con l’apprendimento supervisionato si vuole tentare di spiegare la relazione tra alcuni dati input e uno specifico output desiderato. In altre parole, al sistema viene ordinato cosa cercare e di conseguenza esso viene addestrato per individuare dei patterns e delle relazioni tra i vari dati input di allenamento.
Si consideri un insieme di elementi input x e i valori output y a esso associati. Si vuole quindi studiare, partendo da un sottoinsieme di suddette variabili indipendenti T – i training data –, la relazione tra il vettore x1, x2, …, xn e l’output yi al fine di sviluppare un modello previsivo per y.
L’apprendimento non supervisionato, al contrario, utilizza gli algoritmi per identificare le relazioni tra i singoli dati compresi nel training dataset e categorizzare quindi tali input in base ai patterns studiati. Le categorie vengono create in base ad alcuni attributi estratti dall’algoritmo stesso.
I dati consistono in un insieme di features xi a cui non sono però associate variabili yi . Perciò, si vuole individuare un modello che si adatti ai numeri e riveli le loro proprietà.
In sostanza, la differenza tra Supervised Machine Learning e Unsupervised Machine Learning consiste nel fatto che la prima tipologia di apprendimento automatico utilizza tecniche di categorizzazione pre-impostate grazie alla scelta della variabile target; viceversa, la seconda categoria lascia il compito di definire i gruppi di suddivisione all’algoritmo impostato nella macchina.