EO_497

ELETTRONICA OGGI 497 - OTTOBRE 2021 28 TECH-FOCUS ARTIFICIAL INTELLIGENCE nel risolvere problemi logici chiaramente definiti, spes- so fallisce per attività che richiedono il riconoscimento di schemi di livello superiore, come il riconoscimento vocale o facciale, o la classificazione delle immagini. Queste at- tività più complicate sono quelle in cui i metodi ML e DL funzionano bene. L’apprendimento automatico Il machine learning è un campo che si concentra sull’a- spetto dell’apprendimento dell’intelligenza artificiale sviluppando algoritmi che rappresentano al meglio un insieme di dati. Contrariamente alla programmazione classica in cui un algoritmo può essere codificato esplici- tamente utilizzando caratteristiche note, ML utilizza sot- toinsiemi di dati per generare un algoritmo che può uti- lizzare combinazioni nuove o diverse di caratteristiche e pesi che possono essere derivate dai primi principi. In ML, ci sono quattro metodi di apprendimento comunemente usati, ciascuno utile per risolvere compiti diversi: appren- dimento supervisionato, non supervisionato, semi-su- pervisionato e apprendimento per rinforzo. Per compren- dere meglio questi metodi, saranno definiti tramite un esempio di un’ipotetica società immobiliare specializzata nella previsione dei prezzi delle case e delle caratteristi- che associate a quelle case. Apprendimento supervisionato Supponiamo che la società immobiliare voglia prevede- re il prezzo di una casa in base alle caratteristiche spe- cifiche della casa. Per iniziare, l’azienda dovrebbe prima raccogliere un set di dati contenente molte istanze. Ogni istanza rappresenta una singola osservazione di una casa e delle caratteristiche associate. Le caratteristiche sono le proprietà registrate di una casa che potrebbero essere utili per prevedere i prezzi (es. metratura totale, numero di piani, presenza di un cortile). L’obiettivo è la caratteri- stica da prevedere, in questo caso il prezzo dell’alloggio. I set di dati sono generalmente suddivisi in set di dati di addestramento, convalida e test (i modelli funzioneranno sempre in modo ottimale sui dati su cui sono addestrati). L’apprendimento supervisionato utilizza i modelli nel set di dati di addestramento per mappare le caratteristiche al target in modo che un algoritmo possa fare previsio- ni sui prezzi delle abitazioni su set di dati futuri. Questo approccio è supervisionato perché il modello deduce un algoritmo dalle coppie di caratteristiche-target e viene informato dal target, se ha previsto correttamente. Cioè, le caratteristiche X sono mappate al target Y, apprenden- do la funzione di mappatura F in modo che i prezzi futuri delle case possano essere approssimati usando l’algoritmo Y = F(x). Le prestazioni dell’algoritmo vengono valutate sul set di dati di test, dati che l’algoritmo non ha mai visto prima. I passaggi di base dell’apprendimento automatico supervisionato sono: 1) acquisire un set di dati e dividerlo in set di dati di addestramento, convalida e test separati; 2) utilizzare i set di dati di addestramento e convalida per informare un modello della relazione tra caratteristiche e target; 3) valutare il modello tramite il set di dati di test per determinare quanto bene preveda i prezzi delle abita- zioni per istanze invisibili. In ogni iterazione, le prestazioni dell’algoritmo sui dati di addestramento vengono confrontate con le prestazioni sul set di dati di convalida. In questo modo, l’algoritmo viene sintonizzato dal set di convalida. Nella misura in cui il set di validazione può differire dal set di test, le prestazioni dell’algoritmo possono o meno generalizzare. I compiti di apprendimento supervisionato più comuni sono la re- Il machine learning è un campo che si concentra sull’aspetto dell’apprendimento dell’intelligenza artificiale sviluppando algoritmi che rappresentano al meglio un insieme di dati Un neurone, in basso una sinapsi e a fianco una rete neurale artificiale con nodi neurali interconnessi (Fonte: Wikipedia)