Apprendimento automatico (ML)

Concetto di base

L'idea centrale del Machine Learning 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 (spesso indicati come pesi del modello) per minimizzare gli errori, spesso misurati da una funzione di perdita, o massimizzare l'accuratezza delle sue previsioni o classificazioni. Un ML efficace spesso dipende da un'accurata pre-elaborazione dei dati per pulire e strutturare i dati di input in modo appropriato per l'algoritmo di apprendimento. L'obiettivo finale è quello di consentire alle macchine di risolvere problemi complessi o di fare previsioni accurate in modo autonomo, il che spesso richiede tecniche come l'ingegneria delle caratteristiche per selezionare le caratteristiche dei dati più rilevanti.

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: L'algoritmo impara da un set di dati etichettati, ovvero ogni punto di dati viene etichettato con l'output corretto. L'obiettivo è quello di imparare una funzione di mappatura per prevedere l'output per nuovi input non visti. I compiti più comuni sono la regressione e la classificazione delle immagini. Esplora un confronto tra apprendimento supervisionato e non supervisionato.
• Apprendimento non supervisionato: L'algoritmo lavora con dati non etichettati, con l'obiettivo di trovare modelli nascosti o strutture intrinseche nei dati stessi. I compiti più comuni includono il clustering (raggruppamento di punti di dati simili) come K-Means e la riduzione della dimensionalità (semplificazione dei dati).
• Apprendimento per rinforzo (RL): L'algoritmo impara interagendo con l'ambiente. Riceve ricompense o penalità per le sue azioni, imparando a scegliere le azioni che massimizzano la ricompensa cumulativa nel tempo. L'RL è spesso utilizzato nella robotica, nei giochi e nei sistemi di navigazione. Leggi una panoramica sul deep reinforcement learning.
• Apprendimento semi-supervisionato: Questo approccio utilizza una combinazione di una piccola quantità di dati etichettati e una grande quantità di dati non etichettati per l'addestramento, colmando il divario tra l'apprendimento supervisionato e quello non supervisionato.

Applicazioni del mondo reale

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

• Analisi delle immagini mediche: I modelli ML analizzano le scansioni mediche (come radiografie, TAC e risonanze magnetiche) per assistere i radiologi nell'individuazione di anomalie, come l'identificazione di tumori o altre patologie, che spesso portano a una diagnosi più precoce e a un miglioramento dei risultati per i pazienti. Si tratta di un'area chiave dell'IA nell'assistenza sanitaria. La ricerca in Radiologia: Intelligenza Artificiale evidenzia i progressi in corso.
• Veicoli autonomi: Le auto a guida autonoma si affidano molto al ML per compiti come la percezione dell'ambiente, il rilevamento degli oggetti (identificazione di pedoni, altri veicoli, segnali stradali), il mantenimento della corsia e la navigazione. Aziende come Waymo sono la vetrina di questa tecnologia. Scopri di più sulle soluzioni di AI nel settore automobilistico.

Altre applicazioni includono i sistemi di raccomandazione (come su Netflix o Amazon), il rilevamento delle frodi finanziarie, l'elaborazione del linguaggio naturale (NLP) e l'ottimizzazione della gestione dell'inventario al dettaglio.

ML e termini correlati

• AI vs. ML: L' intelligenza artificiale (AI) è l'ampio campo della creazione di macchine in grado di eseguire compiti che solitamente richiedono l'intelligenza umana. Il ML è un sottoinsieme dell'IA che si concentra specificamente sui sistemi che imparano dai dati.
• ML vs. Deep Learning: Il Deep Learning (DL) è un sottoinsieme specializzato del ML che utilizza reti neurali (NN) complesse e multistrato per apprendere modelli complessi da grandi insiemi di dati. Mentre il ML utilizza diversi algoritmi, il DL eccelle soprattutto con i dati non strutturati come immagini e testi.
• ML vs. Data Mining: Il Data Mining consiste nello scoprire modelli e intuizioni da grandi insiemi di dati. Il ML spesso utilizza questi schemi per costruire modelli predittivi. Pur essendo correlati e utilizzando tecniche simili, il data mining enfatizza la scoperta di modelli, mentre il ML enfatizza la previsione o il processo decisionale basato sui modelli appresi.

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 la stima della posa 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, in particolare il Deep Learning, per ottenere un'elevata precisione e velocità nelle applicazioni in tempo reale. Puoi esplorare i confronti tra i modelli diUltralytics YOLO per vedere le differenze di prestazioni.

Framework come PyTorch (visita il sito ufficiale di PyTorch ) e TensorFlow forniscono gli strumenti necessari per sviluppare e addestrare modelli di ML. Piattaforme come Ultralytics HUB offrono ambienti integrati che semplificano il processo, dalla gestione dei set di dati all'addestramento di modelli personalizzati, fino alla distribuzione e al monitoraggio dei modelli(MLOps). La creazione di un modello efficace spesso implica un'attenta messa a punto degli iperparametri e la comprensione delle metriche delle prestazioni.