Social:

pin_drop Viale Cembrano, 2, 16147 Genova (GE)
timer Open from Monday to Friday from 8am to 6pm
mail info@digitaltree.ai
arrow_upward arrow_upward

IL MACHINE LEARNING. La base per la modellazione predittiva e l’intelligenza artificiale.

“C’è qualcuno seduto all’ombra oggi perché qualcun altro ha piantato un albero molto tempo fa.”
Warren Buffet

Con giugno si è concluso il secondo modulo – Machine Learning – del corso di formazione MAIA – Machine learning & Artificial Intelligence Academy – il corso specialistico organizzato da Digital Tree – Innovation Habitat in collaborazione con l’Università degli Studi di Genova e Microsoft Italia.  

Attraverso questo modulo i corsisti hanno approfondito i principi fondamentali del ML indagando le metodologie sottostanti agli strumenti e ai framework comuni per eseguire i training, le valutazioni e l’utilizzo dei modelli di ML. Il machine learning ovvero l’apprendimento automatico è solo una parte delle capacità che un data scientist deve possedere. Nello specifico le competenze maturate nell’ambito dell’apprendimento automatico permettono al data scientist di stimare modelli di dati predittivi, ma prima che possa arrivare a far ciò è necessario aver sviluppato ottime competenze in materia di esplorazione, visualizzazione e analisi dati: tema già introdotto nel precedente modulo – big data – del corso MAIA. Diverse sono le metodologie attraverso cui si possono costruire modelli di apprendimento automatico, vediamone alcune:

Il modello di regressione è un modello di Machine Learning comunemente usato per predire valori numerici (e.g. un prezzo o una quantità). Banalmente una società che vende cioccolato potrebbe voler predire (e sicuramente lo fa) il numero atteso di vendita di quel determinato prodotto o più interessante il prezzo atteso della materia principale di cui si avvale, in funzione delle future condizioni metereologiche, oggi sempre più instabili a causa dei climate changing. Il funzionamento di base dietro i modelli di regressione vede la messa in relazione di due tipologie di variabili che vengono riscontrati all’interno di un campione di dati: la prima tipologia corrisponde alle principali caratteristiche dell’elemento che si sta osservando. L’altra tipologia di variabili fa riferimento al set di dati della variabile che si vuole predire e nello specifico a quel set di dati – di tale variabile – che sono ad oggi noti. Successivamente per eseguire il training del modello, il campione di dati raccolto – composto dalle variabili dell’elemento oggetto di analisi e dai dati noti della variabile che si vuole predire – viene diviso in due subset: un subset di dati di training a cui verrà applicato un algoritmo capace di generare la funzione che trova la relazione tra i dati del subset e un subset di dati di convalida il cui scopo è quello di calcolare le metriche di qualità per tale modello (accuratezza). In questo caso si parla di machine learning supervisionato. Ovviamente questa è una estrema semplificazione di come tale modello di ML basato sulla regressione lineare realmente funziona.

Altre tipologie di ML sono quelle basate su modelli di classificazione, modelli di clustering o modelli di Deep Learning, forma avanzata di ML che emula il modo in cui il cervello umano apprende attraverso reti di neuroni connessi…fantascienza o realtà? Calma, ve lo spiega MAIA.

Giorgio Vizzarri

Are you a company?