L’intelligenza artificiale si basa su due diversi tipi di apprendimento: l’apprendimento supervisionato e l’apprendimento non supervisionato.
Entrambi rappresentano dei modelli di apprendimento automatico adoperati per risolvere specifiche funzioni, facendo riferimento all’esperienza e al livello di prestazioni.
Queste tecnologie di apprendimento sono utilizzate in diversi ambiti, come ad esempio nelle reti neurali artificiali, che sono strutture di elaborazione dati che inglobano una serie di componenti di elaborazione tra di loro interconnessi.
Apprendimento supervisionato
La tecnica dell’apprendimento supervisionato utilizza l’addestramento del sistema in cui il set di allenamento, congiuntamente al modello di destinazione (modello di output), viene assegnato al sistema per lo svolgimento di un determinato compito. Come suggerisce il termine stesso, supervisionare indica l’osservazione e la conduzione delle azioni, dei compiti e del progetto da eseguire. Il modello viene gestito con l’ausilio del caricamento del modello con la conoscenza, per semplificare la previsione di necessità future. Le reti neurali artificiali e il modello di input costituiscono la rete che è legata al modello di output.
In parole povere nell’apprendimento supervisionato si addestra la macchina adoperando dati “etichettati” e prevede sempre la presenza di un supervisore. Con questo metodo è possibile prevedere risultati per dati imprevisti.
Apprendimento non supervisionato
La tecnica dell’apprendimento non supervisionato non prevede l’output di destinazione, quindi non viene erogata alcuna formazione al sistema. Il sistema lavora, così, in completa autonomia, imparando da sé ed adattandosi alle caratteristiche strutturali dei modelli di input. Utilizza, quindi, sistemi di apprendimento automatico che estrapolano conclusioni su elementi senza etichetta.
Questo tipo di apprendimento viene applicato a modelli più complessi rispetto all’apprendimento supervisionato, in quanto si possiedono informazioni rare se non addirittura non presenti sui dati. L’ambiente è perciò meno gestibile o determinabile per produrre risultati standard. L’apprendimento non supervisionato si prefigge l’obiettivo di ricercare realtà come gruppi, cluster ed eseguire la stima della densità.
Vantaggi dell’apprendimento supervisionato
Tra le motivazioni principali che spingono all’utilizzo dell’apprendimento supervisionato ritroviamo le seguenti:
- l’apprendimento supervisionato permette di censire dati o creare un output di dati tramite l’esperienza precedente;
- consente di ottimizzare i parametri di prestazione adoperando l’esperienza;
- riesce a risolvere diversi problemi di calcolo nella vita reale.
Vantaggi dell’apprendimento non supervisionato
Tra le motivazioni principali che spingono all’utilizzo dell’apprendimento non supervisionato ritroviamo le seguenti:
- l’apprendimento non supervisionato scova tutte le tipologie di schemi presenti nei dati;
- l’apprendimento non supervisionato è utile per la categorizzazione;
- l’apprendimento non supervisionato si svolge in tempo reale;
- si ottengono dati senza etichetta da un computer in maniera più agevole rispetto ai dati etichettati, che prevedono necessariamente un intervento manuale.
Tecniche dell’apprendimento supervisionato
L’apprendimento supervisionato si avvale di due tecniche principali:
- CLASSIFICAZIONE: con l’apprendimento supervisionato si cerca di creare un modello facendo riferimento ai dati di addestramento etichettati, con la finalità di definire dati non ancora fruibili o futuri. In questa classe di campioni i segnali di output sono già evidenti, in quanto appunto etichettati. Ci troviamo, così, di fronte ad un insieme di etichette delle classi discrete che poggiano sulla tecnica della classificazione. L’obiettivo, partendo dall’analisi dei dati precedentemente etichettati, è svolgere un pronostico di etichettatura degli insiemi di dati futuri. Le etichette sono considerate valori discreti non ordinati.
- REGRESSIONE: questa tecnica è simile alla classificazione, ma a differenza sua i segnali di output sono dei valori continui. Questa tecnica comporta uno specifico valore di output adoperando i dati di allenamento.
Tecniche dell’apprendimento non supervisionato
L’apprendimento non supervisionato si avvale di due tecniche principali:
- CLUSTERING: è una tecnica esplorativa che permette di inglobare all’interno di classi, definiti cluster, dei dati dei quali non si ha notizia di adesione a gruppi precedenti. Si verranno, così, a formare dei dataset in cui gli elementi presenti saranno similari tra di loro. In tal modo si paleseranno tutte le relazioni esistenti tra i vari dati.
- RIDUZIONE DELLA DIMENSIONALITA’ DEI DATI: è una tecnica utilizzata nella pre-elaborazione dei features, con lo scopo di scartare il “rumore” dei dati, trasformando lo spazio dimensionale in maniera più omogenea, esaltando così le informazioni più importanti.
