Tipologie e Algoritmi di Machine Learning

Le Tipologie di Machine Learning

Le tecniche di Machine Learning possono essere suddivise in diverse categorie in base al tipo di approccio utilizzato per l’addestramento dei modelli. Le principali sono l’apprendimento supervisionato, non supervisionato, semi-supervisionato, auto supervisionato e per rinforzo.

Apprendimento supervisionato (Supervised Learning)

L’apprendimento supervisionato utilizza dati etichettati per addestrare algoritmi in grado di classificare dati o fare previsioni con precisione. In questo approccio, i modelli vengono addestrati su un dataset in cui ogni input è associato al corretto output. Questo metodo richiede tipicamente l’intervento umano per fornire all’algoritmo i dati etichettati. Pensiamo, ad esempio, ad un insegnante che fornisce esempi di esercizi di matematica insieme alle risposte corrette. I dati di input sono i problemi di matematica, e gli output sono le risposte corrette. Utilizzando questi dati, il modello di machine learning viene addestrato a fare previsioni corrette su nuovi dati. Gli algoritmi di apprendimento supervisionato vengono utilizzati per il riconoscimento di immagini e oggetti, l’analytics predittiva, l’analisi del sentiment dei clienti e il rilevamento della posta indesiderata.

Apprendimento non supervisionato (Unsupervised Learning)

L’apprendimento non supervisionato utilizza dati non etichettati per addestrare algoritmi che identificano pattern significativi tra i dati. In questo caso, il modello di machine learning non riceve suggerimenti su come classificare i dati, ma deve dedurre autonomamente le proprie regole e per raggruppare o clusterizzare i dati in base alle loro caratteristiche intrinseche. Il termine “non supervisionato” indica che questo processo non richiede l’intervento umano. Ad esempio, un modello può ricevere un vasto insieme di dati sui clienti di un negozio, inclusi gli acquisti e la frequenza, e identificare gruppi di clienti con comportamenti di acquisto simili. Applicazioni comuni dell’apprendimento non supervisionato includono la visione artificiale, il rilevamento di patogeni nelle immagini mediche, l’individuazione di anomalie nei prodotti e i sistemi di raccomandazione nell’e-commerce.

Apprendimento semi supervisionato. (Semi-Supervised Learning)

L’apprendimento semi supervisionato combina elementi dell’apprendimento supervisionato e non supervisionato. Utilizza una piccola parte di dati etichettati e una grande quantità di dati non etichettati per addestrare un modello. L’obiettivo è imparare funzioni che possono fare previsioni accurate sulla variabile di output basandosi sugli input, similmente all’apprendimento supervisionato. La differenza principale è che l’algoritmo viene addestrato utilizzando sia dati etichettati sia dati non etichettati. Questo metodo è particolarmente utile quando c’è grande disponibilità di dati non etichettati, ma etichettarli tutti sarebbe troppo costoso o complesso. Per riprendere l’esempio dell’insegnante, possiamo pensare all’apprendimento semi supervisionato come un compito a casa che include sia esercizi svolti in classe che nuovi problemi da risolvere autonomamente.

Apprendimento auto supervisionato (Self Supervised Learning)

Il self-supervised learning è più vicino all’apprendimento non supervisionato, in quanto non richiede etichette manuali per l’addestramento dei modelli. In questo approccio, il modello genera autonomamente pseudo-etichette a partire dai dati grezzi, creando compiti (pretext task) che forniscono segnali di apprendimento utili.  Questo metodo viene spesso impiegato nel pre-training di modelli deep learning avanzati, come BERT nel linguaggio naturale o SimCLR nella visione artificiale e fornisce una solida base di conoscenza che può essere successivamente affinata con tecniche supervisionate o semi-supervised. In altre parole, il self-supervised learning sfrutta la struttura intrinseca dei dati per auto-generare compiti di apprendimento, per permettere ai modelli di acquisire una comprensione profonda e autonoma del contesto senza il bisogno di intervento umano per la generazione delle etichette.

Apprendimento per rinforzo (Reinforcement Learning)

Nell’apprendimento per rinforzo, un agente, solitamente un computer, impara a svolgere un’attività attraverso ripetute interazioni di tipo “trial-and-error” all’interno di un ambiente dinamico. L’ambiente risponde fornendo una ricompensa o una penalità in base all’accuratezza dell’attività. L’obiettivo dell’agente è ottenere più ricompense possibili. Immagina ad esempio un robot che impara a camminare. Ogni volta che il robot fa un passo avanti senza cadere, riceve una ricompensa positiva. Se cade, riceve una penalità. Il robot impara quindi quale combinazione di movimenti lo aiuta a progredire senza cadere, cercando di massimizzare le ricompense totali nel lungo termine. L’apprendimento per rinforzo trova applicazioni in vari settori, come la valutazione del valore economico degli annunci di marketing, la robotica e l’automazione industriale.

Deep Reinforcement Learning

Il Deep Reinforcement Learning integra i principi dell’apprendimento con rinforzo con la potenza delle reti neurali profonde. L’agente del deep reinforcement learning opera in ambienti estremamente complessi, con spazi di stato vastissimi: ad esempio è in grado di imparare a giocare da un’immagine video grezza, un compito impossibile per gli algoritmi tradizionali.

In questo approccio, le reti neurali fungono da “cervello” per l’agente, agendo come approssimatori di funzioni per interpretare dati non strutturati e sviluppare policy sofisticate. Questa capacità ha portato a risultati molto significativi in campi come la robotica, i veicoli a guida autonoma e l’ottimizzazione di processi industriali.

> Leggi anche: “Deep Reinforcement Learning: applicazioni e algoritmi”