Tipi di Apprendimento Automatico
Apprendimento Supervisionato
L'apprendimento supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento etichettato.
I compiti più comuni dell'apprendimento supervisionato sono:
-
Regressione (ad esempio, previsione del prezzo di una casa): è necessario un set di addestramento etichettato con altri prezzi di case;
-
Classificazione (ad esempio, classificazione delle email come spam/ham): è necessario un set di addestramento etichettato come spam/ham.
Apprendimento non supervisionato
L'apprendimento non supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento non etichettato.
I compiti più comuni dell'apprendimento non supervisionato sono la clusterizzazione, il rilevamento di anomalie e la riduzione della dimensionalità.
Clusterizzazione
È un processo di raggruppamento di punti dati simili in cluster. Non è necessario etichettare i dati per questo. Ad esempio, un set di addestramento di email senza etichette spam/ham è sufficiente.
Rilevamento di anomalie
È un processo di individuazione delle deviazioni dal comportamento normale dei dati. Ad esempio, il rilevamento di frodi nelle transazioni con carta di credito. Non è necessario etichettare come frode/non frode. Basta fornire le informazioni sulle transazioni a un modello, che determinerà se la transazione si distingue dalle altre.
Riduzione della dimensionalità
È un processo di riduzione del numero di dimensioni mantenendo quante più informazioni rilevanti possibile. Anche in questo caso non sono necessarie etichette.
Apprendimento per Rinforzo
L'apprendimento per rinforzo si differenzia notevolmente dai due tipi precedenti. È una tecnica utilizzata per addestrare veicoli a guida autonoma, robot, intelligenze artificiali nei giochi e altro ancora.
L'apprendimento per rinforzo è una tecnica di machine learning in cui l'agente (ad esempio, un robot aspirapolvere) apprende prendendo decisioni e riceve una ricompensa se la decisione è corretta e una penalità se la decisione è errata.
Immagina di addestrare un cane a riportare una palla. Il cane riceverebbe una ricompensa (come un premio o una lode) per aver raccolto la palla e averla portata più vicino al proprietario. Riceverebbe una penalità (come la mancanza del premio o un tono deluso) se corre nella direzione sbagliata o si distrae. Inoltre, otterrebbe una grande ricompensa una volta che riesce a recuperare la palla e consegnarla al proprietario.
1. Per addestrare il modello di ML per un compito di apprendimento supervisionato, è necessario che il set di addestramento contenga il target (sia etichettato). È corretto?
2. Per addestrare il modello di ML per un compito di apprendimento non supervisionato, non è necessario che il set di addestramento contenga un target (sia etichettato). È corretto?
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 3.13Tipi di Apprendimento Automatico
Scorri per mostrare il menu
Apprendimento Supervisionato
L'apprendimento supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento etichettato.
I compiti più comuni dell'apprendimento supervisionato sono:
-
Regressione (ad esempio, previsione del prezzo di una casa): è necessario un set di addestramento etichettato con altri prezzi di case;
-
Classificazione (ad esempio, classificazione delle email come spam/ham): è necessario un set di addestramento etichettato come spam/ham.
Apprendimento non supervisionato
L'apprendimento non supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento non etichettato.
I compiti più comuni dell'apprendimento non supervisionato sono la clusterizzazione, il rilevamento di anomalie e la riduzione della dimensionalità.
Clusterizzazione
È un processo di raggruppamento di punti dati simili in cluster. Non è necessario etichettare i dati per questo. Ad esempio, un set di addestramento di email senza etichette spam/ham è sufficiente.
Rilevamento di anomalie
È un processo di individuazione delle deviazioni dal comportamento normale dei dati. Ad esempio, il rilevamento di frodi nelle transazioni con carta di credito. Non è necessario etichettare come frode/non frode. Basta fornire le informazioni sulle transazioni a un modello, che determinerà se la transazione si distingue dalle altre.
Riduzione della dimensionalità
È un processo di riduzione del numero di dimensioni mantenendo quante più informazioni rilevanti possibile. Anche in questo caso non sono necessarie etichette.
Apprendimento per Rinforzo
L'apprendimento per rinforzo si differenzia notevolmente dai due tipi precedenti. È una tecnica utilizzata per addestrare veicoli a guida autonoma, robot, intelligenze artificiali nei giochi e altro ancora.
L'apprendimento per rinforzo è una tecnica di machine learning in cui l'agente (ad esempio, un robot aspirapolvere) apprende prendendo decisioni e riceve una ricompensa se la decisione è corretta e una penalità se la decisione è errata.
Immagina di addestrare un cane a riportare una palla. Il cane riceverebbe una ricompensa (come un premio o una lode) per aver raccolto la palla e averla portata più vicino al proprietario. Riceverebbe una penalità (come la mancanza del premio o un tono deluso) se corre nella direzione sbagliata o si distrae. Inoltre, otterrebbe una grande ricompensa una volta che riesce a recuperare la palla e consegnarla al proprietario.
1. Per addestrare il modello di ML per un compito di apprendimento supervisionato, è necessario che il set di addestramento contenga il target (sia etichettato). È corretto?
2. Per addestrare il modello di ML per un compito di apprendimento non supervisionato, non è necessario che il set di addestramento contenga un target (sia etichettato). È corretto?
Grazie per i tuoi commenti!
