Autore: Matteo Alberti

Tradizionalmente abbiamo tre tipi di apprendimento differenti nel machine learning  (Apprendimento Automatico):

• Apprendimento Supervisionato
• Apprendimento Non-Supervisionato
• Apprendimento per Rinforzo

Apprendimento Supervisionato

L’apprendimento supervisionato ha come obiettivo quello di dedurre una data funzione dai dati di addestramento.

Tali dati consistono in una coppia costituita da un vettore di input ed un valore di output desiderato.

Si possono aver due differenti situazioni:

• Classificazione: quando la variabile output desiderata è categorica (qualitativa nominali o ordinale)

Un tipico esempio in ambito di marketing può essere quello di classificare buoni/cattivi clienti mentre nell’ambito medico quello di predire da una radiografia la presenza o meno di una malattia dati i sintomi

• Regressione: quando la variabile output desiderata è quantitativa

Tipico problema della statistica classica in cui dato un insieme di variabili vogliamo andar a prevedere il valore della nostra variabile oggetto dell’analisi

L’idea di base è quella di trovare un insieme di pesi che siano in grado di predire correttamente l’output desiderato dato qualsiasi valore di input dei dati, generalizzando da dati di apprendimento a situazioni differenti.

Dei tipici esempi di algormitmi per apprendimento supervisionato sono:

• Regressione lineare, alberi decisionali, .. per problemi di regressione
• Logistica, alberi decisionali, ANN per problemi di classificazioni

Apprendimento Non-Supervisionato

Nell’apprendimento non supervisionato abbiamo unicamente i dati di input senza alcun output desiderato. L’obiettivo è quello di modellizzare la sottostante distribuzione dei dati, andando per esempio a preservare la locale geometria del dato, riducendo il numero di dimensioni per condurre ulteriori analisi o riducendo alle due singole dimensioni riducendoci ai metodi grafici.

Gli algoritmi di apprendimento non supervisionato possono essere suddivisi in tre differenti situazioni:

• Clustering: L’obiettivo è quello di scoprire raggruppamenti nei dati
• Analisi delle associazioni: Vogliamo andare a scoprire le regole che meglio riescono a descrivere la maggior porzione di dati possibile
• Quantile estimation

Esempi comuni di apprendimento non supervisionato sono:

• Algoritmo delle k-medie
• Algoritmi Apriori per problemi di analisi delle associazioni
• Analisi delle componenti principali

Apprendimento Semi-Supervisionato

Nell’apprendimento semi-supervisionato solo una parte dell’informazione è presente, ci troviamo dunque in un caso al limite fra il supervisionato e non supervisionato.

Un esempio tipico può esser il riconoscimento di oggetti da immagini.

Apprendimento per Rinforzo:

L’apprendimento per Rinforzo pone come obiettivo come classificare differenti situazioni al fine di intraprendere un’azione.

Il principale campo di applicazione consiste nell’applicazione alla robotica dove, il nostro agente è posizionato all’interno di un ambiente (environment) ed in ogni step possiamo ricevere una ricompensa data da un’azione positiva. Un esempio comune sono simulatori e bot nei videogiochi