Introduzione al Machine Learning & Artificial Intelligence

Siamo Ormai nell’era dei “suggerimenti”… in cui sta scomparendo pian piano il libero arbitrio, in quanto senza che noi ce ne accorgessimo siamo costantemente guidati da un entità superiore…che non è quella di cui parlano le Sacre Scritture ma sto parlando degli script a natura Macchine Learning e Programmi d’ Artificial Intelligence.

In questo articolo ci concentreremo solo sul Macchine Learning, ma era fondamentale citare L’AI in quanto parte di essa.

Un po’ di chiarezza

Spesso i due termini vengo dissociati e confusi ma bisogna aver chiaro il fatto che:

  1. Artificial Intelligence è il nome dell’intero campo di conoscenza.
  2. Nell’Artificial Intelligence ci sono delle macro categorie, tra cui il Macchine Learning, e chiaramente questo non vuol dire che sia esclusiva come categoria.

Machine Learning

Come detto pocanzi, il ML è una macro categoria, che contiene all’interno varie tipologie di ML:

  1. Supervised ML
  2. Unsupervised ML
  3. Neural Network || Deep Learning
  4. Reinforcement ML

Supervised ML

Un modello di ML si definisce supervisionato quando viene istruito a priori utilizzando una base dati decodificati e corredati di parametri che possano apportare più dettaglio possibile per aiutare il sistema a catalogare gli esempi.

Cosi facendo il sistema potrà analizzare meglio i dati e risolvere problemi o eseguire azioni in modo totalmente autonomo.

Un algoritmo di apprendimento supervisionato è in grado di risolvere problemi generali, partendo da un set di problemi particolari.

Il riconoscimento di oggetti in una determinata foto è l’esempio più calzante, in quanto nella base dati precedentemente data al sistema vi era una rappresentazione inequivocabile di tali oggetti.

Unsupervised ML

Tale modello si distingue da Supervised ML in quanto non si è “allenato” con una base dati in partenza ma riceve dati in input non decodificati ed ha il compito di raggruppare ed isolare set di dati con occorrenze comuni, per far si che possa fare previsioni sugli input successivi.

Non conosce la categoria dei dati in input ma la definisce lui, autonomamente. Pertanto il sistema da un senso ai dati in input raggruppandoli e ne fa man mano i suoi dati di riferimento.

Un esempio di utilizzo di tal modello può essere quello dell’ individuazione dei profili di consumo dell’energia elettrica. Un modello non supervisionato può individuare vari profili di consumatori, in base a quelle che sono le fasce orarie di utilizzo dell’energia, Facendo si che si possa andare a sfruttare tale conoscenza offrendo tariffe vantaggiose rivolte allo specifico profilo.

Neural Network || Deep Learning

Le Neural Network come fa intendere lo stesso nome, sono ispirate alle reti neurali biologiche e sono formate da neuroni artificiali connessi tra loro.

esse si distinguono dalle altre tipologie di ML, in quanto a caratterizzarle sono i cosiddetti hidden layer, ovvero strani di neuroni nascosti tra l’input layer e l’output layer.

Nel momento in cui tali hidden layer diventano più di uno, non si parla più di NN ma di Deep Learning… chiaramente stiamo parlando di termini usati dal marketing, pertanto lasciano il tempo che trovano.

Gli hidden layer sono il luogo in cui avvengono le operazioni rendendo le reti neurali capaci di eseguire problemi come e meglio dei precedenti algoritmi descritti.

Reinforcement ML

Il Reinforcement ML non ha bisogno di set di dati per l’apprendimento ma usa il sistema in cui è immerso come fonte di eventi che utilizza per fornire “premi” o “penalità”. le risposte dell’ambiente possono essere in contrasto tra loro pertanto l’algoritmo cerca di apprendere il meglio da entrambe evitando le penalità.

Un esempio lampante è la guida autonoma delle automobili.