Machine Learning

Introduzione

Benvenuti su Machine-Learning.it!

Sono lieto di darvi il benvenuto su questo blog tematico, dove affronterò, di volta in volta, tutto ciò che riguarda e rientra nelle mie ricerche sul Machine Learning.

Che cos’è, esattamente, il machine learning?

Esistono diverse definizioni a tal proposito, ma quella che mi piace di più è quella di Arthur Samuel, pioniere statunitense di questo e altri soggetti “informatici”:

[Machine learning è] quel campo di studio che permette ai computer di imparare senza essere stati esplicitamente programmati per poterlo fare.

Effettivamente questa definizione è un po’ vetusta (Samuel, infatti, è vissuto nel corso del 1900), per cui forse si potrebbe far riferimento alla definizione, certamente più formale data da Tom Mitchell, docente universitario statunitense, che precisa:

Si dice che un software per computer impara dall’esperienza E rispetto ad un compito T ed un metro di misura della prestazione P, se la sua prestazione nell’esecuzione del compito T, così come misurata da P, migliora attraverso l’esperienza E.

In altre parole, forse in maniera più imprecisa, ma esaustiva, con machine learning si intende globalmente quell’insieme di modelli matematici e algoritmi software che permettono ad un computer di eseguire software che apprende dall’esperienza.

Quali esempi di software che fanno uso di questi algoritmi esistono attualmente?

Molti di più di quanto si possa pensare! La materia, seppur relativamente recente, è già studiata in maniera piuttosto approfondita dalle università di tutto il mondo, ma sta diventando di dominio per così dire pubblico, poiché stanno nascendo, via via, delle piattaforme con cui sperimentare questi algoritmi intelligenti senza necessità di eccessive competenze né investimenti economici.

In ogni caso, questi sono alcuni – fra i più famosi  – software (inteso come algoritmi o come “compiti T” secondo la definizione precedente) che fanno uso dell’esperienza che acquisiscono per migliorare le proprie prestazioni:

  • filtri spam per l’email: vi siete mai chiesti come faccia Google a riuscire a filtrare così bene e in automatico un tale volume di email? Alla sua base c’è un algoritmo che, sfruttando l’esperienza acquisita grazie alle segnalazioni di milioni di utenti in tutto il mondo, permette di diventare sempre più preciso, bloccando ciò che deve essere bloccato e permettendo ciò che deve essere permesso
  • processamento della posta fisica / visione artificiale: spedire una lettera è diventato sempre più rapido (forse in Italia non così tanto…) ed economico, perché lo smistamento della posta avviene in maniera automatizzata. Lo smistamento è possibile perché esiste un software che è in grado di riconoscere l’indirizzo scritto, anche a mano, dal mittente. Tale problema rientra nell’ambito della visione artificiale. Quando l’algoritmo non è in grado di riconoscere l’indirizzo, un uomo lo aiuterà e, grazie a questa nuova esperienza acquisita, la prossima volta sarà più preciso (o intelligente).
  • aggregatori di notizie / motori di ricerca: analizzare milioni di paragrafi trovati online, in lingue diverse, scritti senza il rispetto formale della grammatica e della sintassi, cercando di “classificarli” in temi (aggregatori di notizie, ad esempio Google News) o restituendoli come risultato a seguito di una ricerca da parte di un utente è un compito veramente complesso. Un algoritmo in grado di apprendere dall’esperienza è indispensabile per poter restituire risultati attendibili.

Prossimi passi

Mi auguro che questo articolo preliminare sia stato di vostro interesse e vi rimando ai prossimi articoli, dove approfondirò più nel dettaglio la prima delle due classi di algoritmi in cui, solitamente, vengono divisi gli algoritmi di machine learning, ovvero quelli che fanno uso dell’apprendimento supervisionato.

A presto!
Marco

Please follow and like us:
No Comments

Leave a Reply

Your email address will not be published. Required fields are marked *

Social media & sharing icons powered by UltimatelySocial