Machine learning supervisionato

Il machine learning supervisionato (ML Supervised) è un sistema istruito usando una base dati composta da esempi e modelli.

E' detto supervisionato perché l'apprendimento della macchina dipende dal supervisionatore che sceglie la base dati degli esempi ( training set ).

Cos'è il training set

E' una collezione con n esempi. Ogni esempio è descritto con un vettore x_i di j caratteristiche (features) e una etichetta y_i (label) che indica la risposta corretta.

La base dati permette al sistema di imparare a catalogare automaticamente i vari casi, o risolvere un problema, analizzandone i dati.

Esempio. Un database contiene migliaia di immagini digitali di automobili. Il sistema le scandaglia per individuare delle regolarità o degli schemi comuni.

Man mano che la macchina analizza gli esempi, costruisce un'ipotesi di classificazione per induzione.

Il risultato finale è un modello di classificazione.

Una volta costruito il modello, l'algoritmo lo utilizza per classificare in generale tutti gli altri esempi non ancora classificati.

Esempio. Il sistema usa il modello per riconoscere la presenza di un'automobile in altre foto, diverse da quelle usate per costruire il modello.

In conclusione, nel ML supervisionato la macchina impara dall'esperienza che gli viene fornita dal supervisionatore sotto forma di esempi particolari già classificati.

Se il modello è ben costruito, il margine di errore della classificazione è molto basso.

Categorie di ML Supervised

I sistemi ML supervised si distinguono in due categorie

• Classification
  • alberi decisionali (decision tree)
  • regressione logistica (logistic regression)
  • classificatore bayesiano (Naive Bayes Classifier)
  • macchine a vettori di supporto (Support Vector Machine)
  • k-nearest neighbors (k-NN)
  • random forest
  • hidden markov model
  • neural network
  • deep learning
• Regression.
  • regressione lineare (linear regression)
  • regressione non lineare (non linear regression)