Condividi:

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram

Che brutta parola ho scritto? Vero? Forse avrai sentito nominare la parola “Machine Learning”  un po’ di volte durante la tua vita, soprattutto negli ultimi 5/10 anni, oppure, è la prima volta e per questo sei venuto subito ad informarti.

Se così fosse e non sai cosa sia il Machine Learning, ti posso dire che sei nel posto giusto per sapere tutto quello che hai bisogno di sapere su questa materia.

Esattamente, hai letto molto bene. Il Machine Learning (ML) è una materia! Sappi che questa però, è solo una branca dell’Intelligenza Artificiale che a sua volta è figlia dell’informatica.

Il ML tradotto in italiano significherebbe apprendimento automatico e, come potrai ben capire dalla parola, questo è proprio quello che fa da quando viene programmato per un qualsiasi algoritmo (se non sai cos’è un algoritmo ecco qui un articolo).

Quindi in parole più semplici questo permette ad una macchina (computer, robot ecc..) di apprendere in base al feedback che riceve. Quindi, da solo è in grado di impare molto nel campo per il quale è stato programmato.

Ora però, prima di vedere alcuni esempi pratici dove l’apprendimento automatico viene applicato, scopriamo cosa si nasconde dietro a questo nome.  

Cosa c’è dietro al Machine Learning?

Forse è quello che ti starai domandando. Beh, devi sapere che dietro ad una parola del genere, così strana e nuova si nasconde molto di più!

Infatti, dietro al Machine Learning ci sono materie come l’algebra e la statistica e, queste due sicuramente non escludono il ragionamento logico e il saper scrivere in codice che è una delle basi del ML, se si vuole programmare al computer. Oltre a questo ci sono i vari tipi di apprendimento che il ML può comprendere:

Quali sono i tipi di apprendimento nel ML?

machine learning, robot
Image from Pexel

Abbiamo ben 4 tipi di apprendimento che adesso cercherò di spiegarti nella maniera più semplice possibile.

  1. Apprendimento supervisionato (o Supervised Learning): e’ il tipo di apprendimento “guidato”. L’algoritmo riceve dei dati, presi da un set di dati, chiamati dati di addestramento. Insieme a questi dati viene fornito anche l’output, ovvero, il risultato che l’algoritmo deve ottenere dai dati presi. Per ciò la macchina da sola dovrà trovare la funzione necessaria ad ottenere l’output previsto. Ogni volta che l’algoritmo sbaglia, questo impara dall’errore e ricalcola in maniera differente, fino a trovare la soluzione.
  2. Apprendimento semi-supervisionato (o Semi-supervised Learning): in questo tipo di apprendimento, invece, i dati forniti al computer sono incompleti. Ovvero, la macchina riceve alcuni dati con il loro rispettivo output e alcuni dati senza di esso. Il compito di questo modello è sempre quello di capire e trovare la funzione adatta ad ottenere il risultato.
  3. Apprendimento non supervisionato (o Unsupervised Learning): come potrai ben intuire, in questo modello, i risultati non ci sono (almeno, non vengono forniti alla macchina). Infatti, qui il compito dell’algoritmo è quello di trovare il risultato capendo la funzione da applicare in base alla struttura dei dati forniti in input.
  4. Apprendimento rinforzato (o Reinforcement Learning): questo tipo di algoritmo è il più difficile da realizzare. La macchina (robot o quel che sia) deve prendere i dati in base all’ambiente circostante, infatti, ad esso vengono forniti sensori e telecamere capaci di catturare dati dalle immagini dinamiche.
    Ogni errore commesso, permette alla macchina di apprendere e correggere, fino ad ottenere il risultato sperato.

Non finisce qui, c’è ancora altro

Ci sono altri modelli di apprendimento che un’Intelligenza Artificiale può implementare, ad esempio abbiamo i modelli decisionali detti “Decision Tree” i quali prevedono varie decisioni in base alle scelte di input; il “clustering” ossia modelli che raggruppano i dati, le informazioni simili.

Inoltre ci sono anche le reti neurali. Quest’ultime assomigliano molto alla struttura delle reti neurali umana, perché raccolgono dati e restituiscono input su più strati, infatti, a detta di ciò entriamo nel campo del Deep Learning una branca del Machine Learning.

Ma non entriamo troppo nel dettaglio, altrimenti con tutti questi nomi ti viene la nausea, ti posso capire…anche per me è stato così all’inizio.

Finalmente arriviamo alla parte quella figa, la faccia di questi algoritmi di ML.

Alcuni esempi reali di Machine Learning: quali sono?

Forse non lo sai, e forse non te lo aspetterai, ma tu convivi ogni giorno con questi algoritmi. Essi, il tuo computer, il tuo smartphone, tablet, smartwatch e altri accessori sono dotati di Intelligenza Artificiale.

Anche tutte le applicazioni e i servizi online che utilizzi giornalmente!

Prendiamo qualche esempio.

Social Media - machine learning, intelligenza artificiale
Image from Pexel

Facebook, Instagram, YouTube, Netflix e tutte questo tipo di applicazioni hanno come centro di tutto algoritmi di Intelligenza Artificiale e Machine Learning. Ad esempio, Netflix utilizza il suo algoritmo per capire cosa ti piace di più così da proporti la serie o il film ideale che “non vorresti perdere”.

Come lo fa?

Semplicemente (almeno a parole), raccoglie i dati sulla tua persona in base al film o alla serie che hai guardato, tempo, attori, genere ecc. Così da combinare te con un utente simile che ha visto anche altro e proporti poi il contenuto che fa al caso tuo, o meglio dire “Consigliati per te”.

Google traduttore o il riconoscimento vocale imparano da quello che scrivi e da quello che dici e di come lo dici, così che ogni giorno possano migliorare.

Questi sono solo alcuni degli esempi, te ne potrei descrivere tanti altri.

Quindi questo è quello che fa il ML, apprendere dai dati disponibili e ricavare gli output imparando e correggendosi da solo.

Il Machine Learning è una di quelle cose che in futuro saranno presenti veramente in tutto e nella vita di ognuno di noi, tutti i giorni.

Come e dove puoi apprendere tali competenze?

Dove e Come si studia il Machine Learning?

La materia del quale ti ho parlato in questo articolo è solo una branca, quindi per questo bisogna partire da uno studio preliminare che è quello dell’Intelligenza Artificiale.

La disciplina infatti, comprende tutto quello di cui ti ho parlato nell’articolo.

Puoi imparare tutto ciò con vari corsi di laurea, oppure frequentando corsi online dove il percorso da seguire è più diretto. Ad oggi esistono molti corsi sia a pagamento che gratuiti dove puoi imparare tutto ciò.

Qui un mio consiglio: leggi questo articolo su “Come studiare Intelligenza Artificiale autonomamente“.

Rimani aggiornato! Seguici anche su Instagram e LinkedIn.

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Antonio Furioso

Antonio Furioso

Fondatore di Neuragate. Credo molto in quello che le immagini possono comunicare, per questo sono fortemente attratto dalla Computer Vision. Mi piace tutto quello che è nuovo. La curiosità è quella che mi spinge oltre le aspettative e a fare sempre di più.
Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti