EO_497

ELETTRONICA OGGI 497 - OTTOBRE 2021 29 TECH-FOCUS ARTIFICIAL INTELLIGENCE gressione e la classificazione. La regressione implica la previsione di dati numerici, come i punteggi dei test, i va- lori di laboratorio o i prezzi di un articolo, proprio come nell’esempio del prezzo delle abitazioni. La classificazio- ne, d’altra parte, implica di prevedere a quale categoria appartiene un determinato caso analizzato. Rimanendo nell’esempio precedente, immaginiamo che invece di pre- vedere i prezzi esatti delle case in un mercato fluttuante, la società immobiliare vorrebbe ora prevedere una gamma di prezzi per la quale una casa probabilmente si potrebbe vendere, come ad esempio le gamme seguenti sottointese in migliaia di euro: 0-125, 125-250, 250-375 e 375-infinito. Per ottenere ciò, gli scienziati trasformerebbero la varia- bile target numerica in una variabile categoriale classifi- cando i prezzi delle case in classi separate. Queste classi sarebbero ordinali, nel senso che esiste un ordine naturale associato alle categorie. Tuttavia, se il loro compito fosse determinare se le case hanno rivestimenti in legno, pla- stica o metallo, le classi sarebbero nominali indipendenti l’una dall’altra senza un ordine naturale. Apprendimento non supervisionato A differenza dell’apprendimento supervisionato, l’ap- prendimento non supervisionato mira a rilevare i modelli in un set di dati e classificare le singole istanze nel set di dati in dette categorie. Questi algoritmi non sono supervi- sionati perché i modelli che possono o meno esistere in un set di dati non sono informati dal target e sono determi- nati dall’algoritmo. Alcune delle attività di apprendimento non supervisionato più comuni sono il clustering, l’asso- ciazione e il rilevamento di anomalie. Il clustering, come suggerisce il nome, raggruppa in cluster le istanze in un set di dati separati in base a combinazioni specifiche delle loro caratteristiche. Supponiamo che la società immobi- liare ora utilizzi un algoritmo di clustering sul proprio set di dati e trovi tre cluster distinti. Dopo ulteriori indagini, potrebbe scoprire che i cluster rappresentano i tre archi- tetti separati responsabili della progettazione delle case nel loro set di dati, che è una caratteristica che non era presente nel set di dati di addestramento. Apprendimento semi-supervisionato L’apprendimento semi-supervisionato può essere pensato come l’ottimo compromesso tra l’apprendimento super- visionato e non supervisionato, ed è particolarmente uti- le per i set di dati che contengono sia dati etichettati che non etichettati (cioè, tutte le caratteristiche sono presen- ti, ma non tutte le caratteristiche hanno target associati). Ad esempio, l’apprendimento semi-supervisionato viene spesso utilizzato per la classificazione delle immagini mediche, in cui un medico potrebbe etichettare un piccolo sottoinsieme di immagini e utilizzarle per addestrare uno specifico modello. Questo modello viene quindi utilizzato per classificare il resto delle immagini senza etichetta nel set di dati. Il set di dati etichettato risultante viene quindi utilizzato per addestrare un modello funzionante che, in teoria, dovrebbe superare i modelli non supervisionati. Apprendimento per rinforzo L’apprendimento per rinforzo (o reinforcement learning ) è la tecnica di addestramento di un algoritmo per un compi- to specifico in cui nessuna singola risposta è corretta, ma si desidera un risultato complessivo. È probabilmente il tentativo più vicino di modellare l’esperienza di appren- dimento umano perché impara anche dal trial e dall’er- rore piuttosto che dai soli dati disponibili. Sebbene l’ap- prendimento per rinforzo sia una tecnica potente, le sue applicazioni sono attualmente limitate. Con l’esempio se- guente vediamo un’applicazione dell’apprendimento per rinforzo. Immaginiamo di voler addestrare un algoritmo per giocare con il videogioco Super Mario Bros, in cui lo scopo del gioco è spostare il personaggio Mario dal lato si- nistro dello schermo al lato destro per raggiungere l’asta della bandiera alla fine di ogni livello evitando pericoli, come nemici e burroni. Non esiste una sequenza corretta degli input del controller; ci sono sequenze che portano a una vittoria e quelle che non lo fanno. Nell’apprendimen- to per rinforzo, un algoritmo potrebbe “giocare” da solo. L’algoritmo perceptron è una sorta di classificatore binario che appartiene all’apprendimento supervisionato