Il Machine Learning affronta una vasta gamma di problemi, ma tre categorie principali spiccano per la loro importanza e frequenza:
- Classificazione: L’obiettivo è assegnare ad un input (un dato in ingresso come un immagine) a una delle diverse categorie predefinite (è un gatto). Esempi includono il riconoscimento di immagini (gatto vs. cane), la diagnosi medica (malato vs. sano) e il filtraggio di email (spam vs. non spam). Gli algoritmi di classificazione imparano un modello dai dati etichettati per predire la classe dei nuovi input dati in pasto al programma.
- Regressione: L’obiettivo è predire un valore numerico dato un input in ingresso. Esempi includono la previsione dei prezzi delle case, la stima della temperatura futura e la predizione delle vendite di un prodotto. Gli algoritmi di regressione imparano una funzione che mappa l’input a un valore numerico.
Es: Stima della Temperatura Futura:
-
-
-
-
-
- Un’istanza di input è un singolo momento nel tempo per il quale vogliamo prevedere la temperatura.
- Le caratteristiche potrebbero essere: la temperatura attuale, l’umidità, la pressione atmosferica, la velocità e la direzione del vento, la data e l’ora, ecc.
- L’obiettivo della regressione è predire un valore numerico continuo, che è la temperatura stimata (ad esempio, 28.5 gradi Celsius).
-
-
-
-
- Pianificazione (nel contesto del Reinforcement Learning): Nel Reinforcement Learning, la pianificazione si riferisce al processo attraverso il quale un agente (il sistema di intelligenza artificiale) utilizza un modello dell’ambiente per decidere quali azioni intraprendere. A differenza dell’apprendimento diretto dall’esperienza reale (senza un modello), la pianificazione permette all’agente di simulare diverse sequenze di azioni e prevedere le loro conseguenze prima di agire effettivamente nell’ambiente
Esempi di Pianificazione in RL:
-
-
-
-
- Gioco degli Scacchi o Go: Un agente di RL con un modello delle regole del gioco può pianificare diverse mosse in anticipo, simulando le risposte dell’avversario e valutando il risultato di ogni sequenza di mosse per scegliere la migliore.
- Robotica: Un robot che deve navigare in un ambiente può avere un modello del suo ambiente (una mappa). Può pianificare un percorso verso l’obiettivo simulando diversi movimenti e scegliendo quello che evita ostacoli e minimizza il tempo o l’energia spesa.
- Gestione di Risorse: Un sistema che gestisce l’energia di una casa intelligente può avere un modello del consumo energetico previsto e dei prezzi dell’elettricità. Può pianificare l’utilizzo degli elettrodomestici per minimizzare i costi.
-
-
-
Questi problemi fondamentali sono affrontati utilizzando una varietà di algoritmi e tecniche di apprendimento.
