Apprendimento automatico (ML)

Concetto di base

L'idea centrale dell'apprendimento automatico è la creazione e l'utilizzo di algoritmi in grado di elaborare i dati in ingresso e di imparare a produrre l'output desiderato. Questo processo di apprendimento prevede in genere l'alimentazione di grandi insiemi di dati all'algoritmo, che poi regola i suoi parametri interni per minimizzare gli errori o massimizzare l'accuratezza delle sue previsioni o classificazioni. Un ML efficace spesso dipende da un'accurata pre-elaborazione dei dati per garantire che i dati in ingresso siano adatti all'algoritmo di apprendimento. L'obiettivo finale è quello di consentire alle macchine di risolvere problemi complessi o di fare previsioni accurate in modo autonomo.

Tipi di apprendimento automatico

L'apprendimento automatico viene classificato in diversi tipi principali, ciascuno adatto a diversi tipi di attività e di dati:

• Apprendimento supervisionato: I modelli imparano da dati etichettati, in cui ogni punto di dati ha un ingresso e un'uscita noti. Questo tipo di apprendimento è comune per compiti come la regressione e la classificazione delle immagini.
• Apprendimento non supervisionato: I modelli identificano schemi e strutture in dati non etichettati senza output predefiniti. Le tecniche includono il clustering e la riduzione della dimensionalità. Trova una panoramica sull'apprendimento non supervisionato per maggiori dettagli.
• Apprendimento per rinforzo: Gli agenti imparano a prendere sequenze di decisioni cercando di massimizzare un segnale di ricompensa attraverso prove ed errori in un ambiente. Per maggiori informazioni sull'apprendimento per rinforzo, consulta questa panoramica sull'apprendimento per rinforzo.

Applicazioni del mondo reale

Il Machine Learning guida l'innovazione in innumerevoli settori. Ecco un paio di esempi importanti:

• Sanità: Gli algoritmi di ML vengono utilizzati per l'analisi delle immagini mediche per aiutare i medici a diagnosticare le malattie, ad esempio per identificare i tumori nelle scansioni.
• Trasporti e commercio al dettaglio: Il ML è alla base delle funzionalità dei veicoli autonomi e ottimizza le operazioni nel settore della vendita al dettaglio attraverso applicazioni come la previsione della domanda e l'IA per una gestione più intelligente dell'inventario. Per saperne di più, consulta questa panoramica sull'intelligenza artificiale nel settore del commercio al dettaglio.

Rilevanza nell'intelligenza artificiale e nella visione artificiale

Il Machine Learning è un pilastro fondamentale dell'IA moderna ed è particolarmente trasformativo nel campo della Computer Vision (CV). Attività come il rilevamento di oggetti, la segmentazione di immagini e il riconoscimento facciale si basano molto sui modelli di ML per interpretare e comprendere le informazioni visive. Modelli all'avanguardia come Ultralytics YOLO sfruttano le tecniche di ML per ottenere un'elevata precisione e velocità. Framework come PyTorch e piattaforme come Ultralytics HUB forniscono gli strumenti necessari per sviluppare, addestrare e distribuire questi sofisticati modelli di ML.

Relazione con l'apprendimento profondo

Il Deep Learning (DL) è un sottocampo specializzato nell'ambito del Machine Learning. Si concentra sull'utilizzo di reti neurali (NN) con più livelli (architetture profonde) per modellare modelli complessi nei dati. Il DL ha avanzato notevolmente le capacità di ML, soprattutto nelle aree che trattano dati non strutturati come immagini, testi e suoni, perché è in grado di apprendere automaticamente caratteristiche gerarchiche senza dover ricorrere all'ingegnerizzazione manuale delle caratteristiche. Per saperne di più sulle basi, puoi consultare questa panoramica sulle reti neurali. Molti modelli avanzati di computer vision, compresi quelli sviluppati da Ultralytics, si basano sui principi del deep learning.