Machine Learning
“Educare le macchine sarà tanto più importante quanto lo è stato educare gli esseri umani.”
Max Tegmark, fisico e cosmologo svedese
Il machine learning è una branca dell’intelligenza artificiale che si occupa dello sviluppo di algoritmi e modelli che consentono ai computer di apprendere da dati passati o esperienze, migliorando progressivamente le loro prestazioni su una determinata attività o compito senza essere esplicitamente programmato per esso.
Le tipologie di apprendimento del Machine Learning
La stretta connessione che si è instaurata tra Machine Learning e Python in questi ultimi anni ha fatto in modo che questo linguaggio ne diventasse il suo strumento di riferimento.
Scikit-learn
La libreria di riferimento per il Machine Learning in Python
La libreria open source di Microsoft estremamente potente ed innovativa per il Machine Learning su grandi dataset.
Una potente libreria basata su un sistema Boosting Decision Tree in grado di gestire i dati mancanti nei dataset in maniera efficiente.
Unsupervised Learning: Svelare Pattern Nascosti
L’apprendimento non supervisionato, o unsupervised learning è una categoria di algoritmi di machine learning in cui il modello viene addestrato su dati non etichettati, senza avere informazioni esplicite sul risultato desiderato. L’obiettivo è far sì che il modello trovi da solo strutture o pattern nei dati senza essere guidato da output desiderati.
unsupervised LeARNING
Clustering
L’obiettivo principale del clustering è di raggruppare insiemi di dati simili insieme, in modo che i punti all’interno dello stesso gruppo siano più simili tra loro rispetto a quelli in gruppi diversi.
A differenza dell’apprendimento supervisionato, dove il modello viene addestrato su un insieme di dati etichettati, nel clustering il modello cerca di individuare pattern e strutture intrinseche nei dati senza la guida di etichette predefinite
Scikit-learn fornisce funzioni che permettono la generazione di DATASET DI STUDIO per il clustering
SUPERVISED LEARNING
Il supervised learning (apprendimento supervisionato) è un’area di machine learning in cui un modello apprende dai dati di addestramento forniti con le risposte desiderate già noti, in modo che il modello possa fare previsioni accurate su nuovi dati non ancora visti. In altre parole, il modello apprende dai dati di addestramento forniti con le risposte desiderate già noti, e viene quindi in grado di generalizzare e fare previsioni su nuovi dati.
ENSEMBLE LEARNING
Ensemble Learning: l’unione fa la forza
L’Ensemble Learning è una tecnica nel campo del Machine Learning in cui più modelli di apprendimento vengono combinati insieme per migliorare le prestazioni complessive del sistema. Piuttosto che affidarsi a un singolo modello, l’Ensemble Learning utilizza diversi modelli per fare previsioni o classificazioni. Questa tecnica sfrutta la diversità dei modelli nell’ensemble per ridurre il rischio di overfitting e migliorare la generalizzazione dei risultati.
BAGGING
Campionare, addestrare e aggregare più modelli
VOTING
Combinare di previsioni di più modelli
- VOTING