HomeTecnologia

Big Data Web3

 
Cos’è il machine learning: come
apprende l’intelligenza artificiale 
16 marzo, 2023 10 min


Intermedio

Cosa Imparerai

Cos’è il machine learning? Definizione e significato

Quali sono gli algoritmi di machine learning?

Come apprende un computer: deep learning e reti neurali

Informativa
Esempi e problemi del machine learning
Noi e terze parti selezionate utilizziamo cookie o tecnologie simili per finalità tecniche e, con il tuo consens
per altre finalità come specificato nella cookie policy. Il rifiuto del consenso può rendere non disponibili le r
funzioni.
Usa il pulsante “Accetta”
I dispositivi per acconsentire.
tecnologici Usa il pulsante
nell’era dell’Internet “Rifiuta”sono
of Things o chiudi questa informativa per continu
intelligenti
senza accettare.
:
 perché possono apprendere dall’esperienza, proprio come l’uomo:
Scopri di piùcos’è
scopriamo e personalizza
il machine learning e formuliamo una definizione, così Rifiuta
da approfondire il significato con degli esempi di questa forma di
intelligenza artificiale.

Cos’è il machine learning? Definizione e

significato
Il significato di machine learning (ML), o “apprendimento automatico” in
italiano, è molto attuale, sebbene sembri una fantasia futuristica: esempi
concreti, infatti, ci aiuteranno a capire cos’è, distinguendo i principali tipi
di algoritmi e i compiti che possono svolgere.

Innanzitutto, questa tecnologia è un applicazione dell’intelligenza

artificiale (AI) e consiste nel creare sistemi informatici in grado di
“imparare” dai dati forniti, senza però necessità di programmazione
specifica; l’obiettivo è individuare automaticamente modelli e regole
dalle informazioni, al fine di categorizzarle, fare previsioni e prendere
decisioni. La definizione di machine learning, in pratica, potrebbe essere
“algoritmo che consente ai computer di simulare i processi di
apprendimento umani, migliorando progressivamente l’accuratezza delle
attività svolte”

Facciamo un passo indietro, tecnico e storico, per comprendere meglio

cos’è il machine learning. In informatica per risolvere un problema,
secondo il matematico Lotfi Zadeh, ci sono essenzialmente due modi: 
Hard computing – metodo basato sulla logica deterministica (vero o
falso) o binaria (1 o 0) e l’accuratezza di calcolo. Necessita di precisi
modelli matematici ed algoritmi programmati fin nei minimi dettagli. I
meccanismi di hard computing sono “fissi” e immutabili, ovvero
applicabili senza necessità di modifiche a problemi di uno stesso tipo.
Soft computing – metodo basato sul calcolo delle probabilità che
ammette approssimazione ed imprecisione. Questo processo è utile
ad affrontare problemi complessi, che implicano “verità parziali”, ed è
ispirato al ragionamento umano, che sopporta informazioni
incomplete. La razionalità, in questo caso, deriva dalle esperienze
passate, che servono da schema per valutare un ambiente incerto.
Alla luce dei nuovi risultati, tuttavia, il modello precedente viene
:
 integrato e corretto. 

Alan Turing, a proposito di soft computing, ipotizzava la creazione di una

“macchina che apprende”, poi concretizzata negli algoritmi genetici: in
pratica, programmi che cercano la soluzione ottimale ad un problema
combinando quelle esistenti a nuovi elementi, in un processo di
miglioramento continuo. Arthur Samuel, nel 1959, coniò quindi il
termine machine learning, applicandolo al gioco delle dama,
programmato in un computer. Qualche anno dopo, il campione Robert
Nealey perse una partita contro un IBM 7094 “addestrato”, lasciando
l’umanità incredula. 

In poche parole, quindi, per spiegare cos’è il machine learning, possiamo

pensare ad un contesto in cui non è possibile usare algoritmi “classici”,
perchè non si hanno istruzioni precise e si è quindi costretti a procedere
caso per caso, creando ed ottimizzando modelli in base ai dati raccolti.
Questo è l’apprendimento automatico, di cui Tom Mitchell ci dà una
definizione pratica nell’omonimo libro Machine Learning: 

“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.”

Quali sono gli algoritmi di machine learning?

Il significato e lo scopo del machine learning è generalizzare le
informazioni raccolte dall’esperienza, così da riconoscere regole e
modelli. Questo tipo di ragionamento è detto induttivo (o aristotelico) e
consiste proprio nello stabilire una legge universale partendo da singoli
casi particolari. In pratica, grazie all’apprendimento automatico, i
computer riescono a risolvere problemi nuovi in base a quelli già
osservati. 

La fase di training, in particolare, definisce cos’è il machine learning in

quattro tipi di algoritmi:
Supervisionato: al programma viene fornito un database
“etichettato”, composto da input abbinati agli output desiderati, in
modo da guidarlo nel determinare la regola generale che li lega;   
:
 Non supervisionato: le informazioni somministrate non sono in alcun
modo contraddistinte e l’algoritmo deve cercarne una struttura, un
pattern oppure un modello che preveda le prossime occorrenze;
Semi-supervisionato: i dati assegnati al programma sono un
sottogruppo incompleto di un insieme più grande, perché gli input
sono limitati e alcuni senza output. Allo stesso modo, però,
l’algoritmo dovrà trovare una legge che li giustifichi;
Per rinforzo: il computer non analizza un database, ma interagisce
con un ambiente dinamico o un “avversario”, da cui riceverà feedback
positivi in caso di risultato esatto. Dato l’intervento massiccio di un
“supervisore”, questo tipo di apprendimento automatico è simile al
primo, ma in questo caso avviene per trial and error, tentativi ed
errori. 

Possiamo approfondire cos’è il machine learning e le sue tipologie anche

considerando l’output richiesto:
Classificazione: l’algoritmo deve assegnare nuovi input ad una delle
classi (output) indicate dal programmatore, in base a delle
corrispondenze già indicate. Questo compito supervisionato (o per
rinforzo), ad esempio, potrebbe essere utile per il filtraggio delle
email, al fine di riconoscere lo spam;
Regressione lineare: l’apprendimento automatico del programma
deve condurre, a partire dai dati, ad una funzione che leghi una
variabile dipendente ad una o più variabili indipendenti. In pratica,
una legge che chiarisca quale relazione esista tra i fattori evidenziati
dal programmatore, per prevedere futuri risultati. I meccanismi di
trading automatizzato, che analizzano i passati andamenti per
operare sul mercato, potrebbero essere un esempio di machine
learning per regressione lineare;
Regressione logistica: il ML deve stimare la probabilità del verificarsi di
un evento in base alle sue occasioni passate, risultato della
combinazione di più variabili. Un algoritmo di regressione logistica
potrebbe stimare, in percentuale, le possibilità di vittoria di una
squadra di calcio, considerando diversi fattori delle partite
precedenti, come il numero di occasioni create o i gol subiti. In
generale, i compiti di regressione sono supervisionati, perché si
basano sull’analisi di informazioni categorizzate; 
:
 Clustering: algoritmo di machine learning non supervisionato che
deve dividere in gruppi i dati forniti, ma senza conoscere a priori le
classi. A differenza della classificazione, infatti, il programma deve
anche rintracciare le proprietà distintive delle informazioni, per poi
raggruppare i dati in base alla “somiglianza”. Il data mining potrebbe
essere un esempio di machine learning per clustering, ovvero una
tecnica impiegata dalle aziende per compiere un’analisi esplorativa
sui suoi clienti, al fine di scoprire caratteristiche sconosciute.

Come apprende un computer: deep learning e

reti neurali
Il concetto di apprendimento automatico è spesso usato come sinonimo
di intelligenza artificiale, ma avendo definito cos’è il machine learning è
evidente che quest’ultimo sia piuttosto una proprietà dell’AI. ChatGPT,
ad esempio, apprende dall’interazione con l’utente, talvolta
correggendosi per produrre risposte più accurate. Tuttavia, ci potremmo
chiedere come faccia un software simile ad imparare: per spiegarlo
possiamo appoggiarci al modello della rete neurale, un tipo di algoritmo
di apprendimento automatico riconducibile al tipo “per rinforzo”.

Essenzialmente, un sistema ML a rete neurale è formato da almeno 3

livelli, in comunicazione tra loro: input, hidden e output, anche se
potremmo disporre di molteplici layer “nascosti”; ogni livello è composto
da diversi nodi, connessi ad almeno uno dello “strato” successivo. Il
funzionamento è simile al nostro cervello, i nodi sono i neuroni e i canali
di collegamento sono i dendriti e gli assoni attraverso cui si scambiano
informazioni. Ogni connessione, inoltre, ha un peso e una soglia di
attivazione: in poche parole, specifiche informazioni ne richiamano più
facilmente altre, come il sorriso attrae il concetto di felicità.

Il processo di machine learning per rinforzo, dunque, è diviso in 3 fasi:

Decision process: in base agli input forniti, è prodotto l’output
richiesto, che sia un modello, una classificazione o una previsione.
Error function: è valutata l’accuratezza delle conclusioni, in base al
confronto con i risultati attesi o esempi noti.
Model optimisation: se vengono trovati errori nell’output, avviene ciò
che tecnicamente è detto backpropagation. In pratica, vengono
:
 corretti i pesi delle connessioni, in modo che la volta successiva un
certo input non dia più l’output sbagliato.

L’apprendimento automatico, in questo caso, è un processo ricorsivo: è

ripetuto più volte, finché non si ottengono risultati ottimali. Ogni
algoritmo di machine learning, tuttavia, ha bisogno in qualche modo di
revisioni: l’imparare dai propri errori è la base dell’apprendimento, allo
stesso modo i computer sono testati più volte, fornendo diversi input,
prima di raggiungere la risposta migliore.

L’esempio della rete neurale, oltre ad approfondire cos’è il machine

learning, ci permette di chiarire la differenza rispetto al deep learning: la
“profondità” corrisponde al numero di livelli “nascosti”, che permettono
analisi più sofisticate di dati grezzi, non strutturati. Infatti, il deep
learning è generalmente una forma non supervisionata di
apprendimento automatico, detta anche scalable machine learning.

Esempi e problemi del machine learning

Le applicazioni dell’apprendimento automatico sono molteplici ed alcune
è possibile trovarle nella nostra vita quotidiana. Le funzionalità di
riconoscimento vocale e la trascrizione del parlato, presenti negli
smartphone, sono esempi di machine learning, così come gli algoritmi
che ci consigliano film su Netflix o contenuti su Instagram in base alle
nostre preferenze. Allo stesso modo, l’ML è usato a livello aziendale per
riconoscere le frodi o per il servizio clienti. Infine, il machine learning è
fondamentale per la guida autonoma e anche per classificare gli oggetti
celesti!

L’immensa utilità, tuttavia, è accompagnata da alcuni problemi,

innanzitutto etici: se un sistema di machine learning è addestrato con
dati distorti e pregiudizievoli, potrebbe dare origine a non solo
conclusioni false, ma classiste e razziste. In tal caso, chi sarebbe
responsabile di tali errori? L’azienda avrebbe sicuramente delle colpe,
non solo se l’algoritmo fosse di tipo supervisionato, perché non ha
verificato l’accuratezza dei dati input. 

Un altro quesito è l’impatto che avrà l’apprendimento automatico su

alcuni lavori: potrebbe sostituire l’uomo? Nessun algoritmo è in grado di
:
 prevederlo, ma ad oggi non è ancora stata sviluppata una Artificial Super
Intelligence (ASI), ma abbiamo solo esempi narrow che al momento non
possono superare le competenze di un individuo abile e preparato.Infine,
se vuoi approfondire con altri esempi cos’è il machine learning, potresti
leggere l’articolo dedicato ai 7 modi in cui l’intelligenza artificiale può
migliorare le crypto, dove abbiamo discusso dell’integrazione del ML e
l’AI in alcuni progetti blockchain.

Registrati su Young Platform

Inizia ora 

Correlati
:
 Big Data

Data warehouse: cos’è, definizione e casi d’uso delle DWH

5 aprile, 2023 10 min

Big Data

Big data: cosa sono e a cosa servono?

4 aprile, 2023 9 min

Prodotti 

Young Platform

Young Platform Pro

Young Platform Step

Young Platform Academy

Token NEW

Impara 

Inizia da qui

Glossario

Comprare Bitcoin

Comprare Ethereum

Comprare Tether

Comprare Dogecoin

Azienda 

Lavora con noi

Parlano di noi
:
Parlano di noi

Perché Young Platform

I Nostri Prodotti

Legal e Privacy

Leadership

Supporto 

Centro di Supporto

Commissioni e Prezzi

FAQ Tassazione

FAQ Compravendita

FAQ Commissioni

FAQ Earning Wallet

it 

Scarica l'app 

     
Aggiorna impostazioni cookie

2023 Young Platform S.p.a. Tutti i diritti riservati.-Young Platform S.p.a. Via Francesco Cigna 96/17, 10155 Torino (TO),
Italia P. Iva 11931440017
: