Che cos’è l’apprendimento automatico? – TechPulse

L’intelligenza artificiale è sconosciuta a chiunque nel mondo della tecnologia. Sebbene la ricerca in questo campo esista da più di mezzo secolo, ha guadagnato slancio solo negli ultimi anni. Ora possiamo trovare qualcosa di intelligenza artificiale in quasi tutti gli aspetti della nostra vita quotidiana, non importa quanto grandi o piccoli siano. Che si tratti dei risultati di ricerca che ci mostra Google, dei consigli di Netflix, degli assistenti vocali nelle nostre case e degli smartphone, dei giochi o delle auto a guida autonoma: tutti usano l’intelligenza artificiale. E questo progresso apparentemente inarrestabile non sembra perdere slancio in tempi brevi.

esattamente il contrario. L’intelligenza artificiale è un concetto ampio con diverse parti e sottocategorie che aiutano a plasmare il concetto. L’apprendimento automatico è una delle discipline più conosciute dell’intelligenza artificiale. Ciò consente ai computer di apprendere dagli stessi set di dati, con il minor intervento umano possibile. Arthur Samuel, il famoso informatico che ha coniato il termine “apprendimento automatico”, in realtà lo ha coniato in questo modo negli anni ’50: “È il campo che dà ai computer la capacità di apprendere, senza essere programmati per farlo”. Il sistema viene alimentato con molti dati, dopodiché i programmatori scelgono un particolare modello di apprendimento automatico che dia loro i migliori risultati a seconda del loro obiettivo finale, quindi il programma stesso lavora sul fatto che trovi o meno le informazioni rilevanti .

Sebbene sia tutto intorno a noi, in alcuni casi c’è ancora una misteriosa foschia che circonda l’apprendimento automatico, il che non è del tutto vero. Il fatto che ora sia più diffuso ha facilitato la comprensione e il lavoro con te. Qui spieghiamo cosa significa machine learning, in modo da comprendere meglio la tecnologia e magari un giorno potrai avviarla da solo.

Che cos’è l’apprendimento automatico?

Sebbene l’apprendimento automatico abbia iniziato a guadagnare terreno solo negli ultimi dieci anni, è qualcosa che esiste da un po’ di tempo. Con la crescente attenzione ai “big data”, il machine learning sta decollando. Le aziende si sono rese conto che tutti i dati raccolti e aggregati hanno un vantaggio e che i computer possono essere utilizzati per cercare informazioni importanti all’interno di questi dati.

Con l’apprendimento automatico, viene progettato un particolare sistema che può “apprendere” da solo o migliorarsi. In tal modo, tenta di imitare alcuni dei metodi della capacità di apprendimento umana. Il sistema consuma i dati, proprio come noi, per basare i suoi risultati su quei dati e quindi modificarli fornendo più dati. Dopotutto, i nuovi dati perfezioneranno l’algoritmo esistente, in modo che guardi anche i dati presentati in un modo diverso. Questo algoritmo può quindi essere utilizzato per visualizzare e analizzare il set di dati esistente, oppure può essere applicato a dati completamente nuovi, in modo da poter estrarre anche i risultati precedenti da esso. Anche gli esseri umani possono fare molte di queste cose, ma la scala alla quale possono verificarsi tutte non ha precedenti, il che la rende una soluzione conveniente e interessante per compiti semplici.

Questo può essere utilizzato quasi ovunque. Le banche possono utilizzare la tecnologia per visualizzare determinate transazioni e giudicare se sono fraudolente o meno. All’interno dell’ambiente sanitario, l’apprendimento automatico è in esecuzione per formulare diagnosi più rapide e accurate, che in alcuni casi potrebbero salvare vite umane.

apprendimento bizzarro

All’interno dell’apprendimento automatico ci sono tre modi principali per addestrare gli algoritmi. Ogni metodo ha la sua applicazione, con vantaggi e svantaggi individuali, quindi quando scegli un metodo devi sapere qual è la tua intenzione e quali risultati speri di ottenere. Una delle principali differenze tra questi metodi risiede nei due tipi di dati con cui devono lavorare, dati etichettati e dati senza etichetta. I dati etichettati arrivano ai dati, come immagini o testo, ad esempio, dove i dati vengono forniti con etichette aggiuntive che formano una sorta di punto di ancoraggio con cui l’algoritmo può funzionare. Supponiamo di voler addestrare un sistema per riconoscere le arance nelle immagini, quindi puoi fornire una serie di immagini, con o senza arance, come input. In questo caso, puoi fornire un’etichetta che indichi se l’immagine contiene o meno l’arancione. Quindi, l’IA stessa cercherà una costante nelle immagini, essendo la forma dell’arancia nell’immagine. Tuttavia, l’etichettatura delle informazioni richiede molto tempo e quindi di solito richiede un intervento umano.

I dati non contrassegnati, come suggerisce il nome stesso, vengono forniti senza questi tag. Non ci sono etichette che predicono l’esistenza di qualcosa. Quindi hai a che fare con dati completamente grezzi, di cui l’algoritmo a sua volta deve fare qualcosa. Sebbene i dati classificati possano sembrare preferibili, c’è sicuramente un posto per i dati non classificati nell’apprendimento automatico. Inoltre, è più facile ed economico lavorare con lui, perché non passi ore a sistemare tutto. Oltre al machine learning, si parla anche di apprendimento approfondito, anche se sono due termini diversi. Il deep learning è una parte separata dell’apprendimento automatico e apprende in un modo diverso. Qui vengono utilizzate “reti neurali” e gran parte del processo di estrazione delle informazioni dai dati è automatizzato, in modo che vi sia anche un minore intervento umano. Qui puoi iniziare con i dati etichettati, ma non è assolutamente un requisito per ottenere risultati. Questo lo rende adatto anche per lavorare con set di dati più grandi. Questi vengono utilizzati principalmente, ad esempio, per riconoscere determinati oggetti nelle immagini.

tre forme

Il primo modo in cui l’apprendimento automatico può avvenire è Apprendimento supervisionato† I dati etichettati vengono utilizzati per addestrare il sistema. Sappiamo quali dati stiamo inserendo, quindi c’è sempre una qualche forma di controllo su quale sarà il risultato. Innanzitutto, viene inserito un grande set di dati, dopodiché il sistema inizia ad apprendere da solo. Regola i suoi parametri a poco a poco e cresce così. Quindi puoi inserire molti dati sconosciuti nel sistema, a cui l’algoritmo può applicare le conoscenze acquisite. Ad esempio, se inseriamo una serie di immagini di allenamento con arance e chiediamo di identificare il frutto, c’è un’altissima probabilità che nel caso di un’immagine sconosciuta, la macchia arancione possa essere confusa con l’arancia. Ad esempio, un altro colore non verrà prelevato rapidamente per l’approssimazione dall’algoritmo. Questo è anche uno dei metodi più popolari di apprendimento automatico.

Il contrario ovviamente Educazione senza supervisione† Qui l’algoritmo di apprendimento automatico funziona con molti dati senza etichetta, dove non sa esattamente cosa c’è dentro e inizia a esplorarlo da solo. Cerca da solo modelli e valori costanti all’interno dei dati. Quindi non c’è nulla di orientato in termini di input, il che rende più difficile ottenere la risposta corretta in alcuni casi. Per tornare all’esempio arancione qui, puoi, ad esempio, inserire una serie di immagini contenenti banane e arance insieme. Poiché il sistema non sa esattamente di cosa si tratta, dopo un numero sufficiente di immagini e un po’ di tempo sarà in grado di indicarsi che ci sono due diversi tipi di frutta nelle immagini. Questo metodo viene comunemente utilizzato per aggregare e aggregare informazioni in set di dati più grandi in modo semplice.

Tra apprendimento supervisionato e apprendimento non supervisionato, esiste anche una versione mista chiamata Apprendimento semi-supervisionato. Durante l’addestramento di un sistema di apprendimento automatico, nel programma viene immessa una piccola quantità di dati etichettati, nonché una porzione maggiore di dati senza etichetta. Poiché la denominazione dei dati può essere costosa e richiedere molto tempo, la combinazione di entrambi i metodi è una semplice soluzione temporanea. Un piccolo sottoinsieme di dati etichettati fornisce un maggiore grado di accuratezza per l’addestramento del sistema, quindi i dati senza etichetta portano tutto oltre.

Viene chiamato il terzo metodo principale Miglioramento dell’apprendimento† L’algoritmo viene inserito in una situazione e ricerca casualmente determinate azioni che può intraprendere per ottenere sempre più successo. Quindi si tratta molto di Prova ed errore nel trovare le risposte corrette. Questo metodo è costituito da tre parti importanti, l’agente, l’ambiente e la procedura. L’agente prende le decisioni, l’ambiente è ciò che l’agente deve affrontare e le azioni sono ciò che l’agente sta cercando di raggiungere il successo. Un buon esempio per illustrare questo è un gioco di corse in cui un’auto (l’agente) deve seguire un certo percorso, con curve e ostacoli (l’ambiente), prima di raggiungere il traguardo.

Puoi applicare l’apprendimento per rinforzo a questo. Per prima cosa guiderai nella natura selvaggia (come procedura) per molto tempo, alla ricerca di qualche progresso. Nel tempo, queste azioni apparentemente casuali faranno sì che il carrello superi la prima curva, dopodiché il sistema inizierà a notare come stai andando avanti. Salverà tutti i precedenti passaggi riusciti e quindi eseguirà nuove azioni in modo completamente casuale, fino a quando anche queste avranno un certo successo e il carrello alla fine supererà il limite. Alcuni potrebbero ricordare l’apprendimento per rinforzo di AlphaGo del 2015. Il metodo è stato quindi utilizzato, insieme al deep learning, per insegnare a un sistema per giocare al gioco da tavolo Go. Il gioco con regole chiare e semplici e circa 2,1 x 10¹⁷⁰ Diverse combinazioni di schede, è una questione complicata, ma per la prima volta un computer è stato in grado di battere un giocatore umano. Ora è stato applicato a molti giochi e giochi, con risultati sorprendenti ogni volta. Ci sono, ovviamente, più modi in cui funziona l’apprendimento automatico oltre a questi tre sottoinsiemi. Tuttavia, queste opzioni aggiuntive sono più specializzate e quindi non le discuteremo.

Passatempo interessante

Vuoi iniziare il machine learning da solo? Puoi sicuramente farlo, e ora è più facile che mai. Tieni presente che avrai sempre bisogno di alcune conoscenze prima di poterti immergere completamente. Ad esempio, avrai comunque bisogno di una conoscenza minima di un particolare linguaggio di programmazione, come Python o R, e alcune conoscenze matematiche. Inoltre, devi anche sapere esattamente cosa vuoi ottenere con questo. Devi tenere a mente un obiettivo, come un progetto interessante, per trovare esattamente come lavorerai per raggiungerlo. Puoi trovare molti programmi utili online e ci sono molti corsi con cui puoi iniziare, come tensorflow.org. Non era così facile prima.