Geek Academy

Machine learning: l’intelligenza delle macchine

Sai cos’è il machine learning? Vediamo insieme cosa si intende per apprendimento automatico e il workshop per imparare a gestire strumenti di AI e machine learning con Python.

Machine learning: l’intelligenza delle macchine

Condividi su:

Cos'è il machine Learning 

Vi siete mai chiesti come faccia Netflix a suggerirvi visioni che potrebbero rispecchiare il vostro gusto? Netflix è uno degli esempi più comuni di machine learning: attraverso gli algoritmi riesce a dare all'utente suggerimenti prendendo dati dai film già visionati.

Il machine learning costituisce un settore che sta guadagnando sempre più popolarità negli ultimi anni: dalla guida automatica, al riconoscimento vocale, all'efficacia della ricerca web.  È al centro di un futuro molto prossimo e argomento chiave di molte ricerche.

Per machine learning si intende quella branca della scienza informatica che fa sì che i computer imparino e agiscano senza aver bisogno di essere esplicitamente programmati. È una scienza incredibilmente potente che, analizzando grandi quantità di dati, riesce a fare calcoli e previsioni incredibili rendendo le macchine intelligenti.

Per il machine learning si parte da esempi da cui vengono estratti gli schemi che li caratterizzano (i cosiddetti “pattern”) che verranno poi utilizzati per realizzare prospettive per nuovi esempi.

Quindi, stiamo parlando di macchine che “imparano da sole”. Ma come fanno?

Per “imparare” si avvalgono proprio di questi pattern. Dal sito del "Corriere.it" troviamo un esempio che semplifica e rende comprensibile il procedimento: “in Google Foto (il servizio che consente di caricare le proprie foto in un archivio online) possiamo cercare tra centinaia di foto quelle in cui compaiono i cani. Come fa? Grazie al machine learning. Prima di tutto vengono raccolti una serie di esempi di foto etichettate con la parola “cane”, in seguito si prendono anche delle foto etichettate con la parola “gatto” e infine foto con milioni di altre etichette”.

La macchina, il computer, ricerca e assimila i pattern giusti di pixel e colori che gli serviranno a capire e a riconoscere i soggetti presenti in una foto. Successivamente, la macchina testa i pattern utilizzando l'immagine di un soggetto presente nella foto e modificando quelli che con corrispondono.

Sono operazioni che vengono ripetute più e più volte attraverso test continui che portano a migliorare sempre più il sistema di riconoscimento. Sulla complessa rete dei pattern si basa proprio il sistema di apprendimento automatico che porterà, dopo vari passaggi, ad un'identificazione corretta dei soggetti, riuscendo a distinguerli.

Gli algoritmi di machine learning si suddividono in 3 categorie:

Apprendimento supervisionato (supervised learning)

È la metodologia che istruisce la macchina rendendola in grado di analizzare i dati autonomamente, basandosi su un numero adeguato di esempi ideali che vengono forniti inizialmente. La macchina riceve il sistema di classificazione come input. In questo caso i dati sono raggruppati secondo etichette e sono composti da dati originali e risultati che la macchina metterà in relazione.

Apprendimento non supervisionato (unsupervised learning)

A differenza dell'apprendimento supervisionato, nell'apprendimento non supervisionato la macchina deve trovare “da sola” la logica di classificazione. È la macchina che decide come raggruppare le caratteristiche che assimila. Si utilizza quando la macchina deve scoprire relazioni implicite tra una quantità di dati non classificati e non etichettati.

Apprendimento per rinforzo (reinforcement learning)

Si colloca tra i due apprendimenti descritti sopra e si ha quando un sistema riesce ad apprendere e ad adattarsi ai cambiamenti dell'ambiente. Questo è possibile proprio perché mettono in atto la distribuzione di una ricompensa che prende  il nome di “rinforzo” e che è il risultato che si ha dalla valutazione delle prestazioni.

Il futuro del machine learning si muoverà su due fronti: velocità e regolarizzazione.

Velocità nel mettere in moto il metodo di apprendimento automatico e miglioramento della sensibilità ai cambiamenti: nel caso di minimi cambiamenti la macchina deve comunque riuscire a dare un riconoscimento esatto, senza andare fuori strada.  

Machine Learning Google 

Google ha inserito online la piattaforma, o “showcase” per essere più precisi, A.I. Experiments in cui ha raccolto piccoli e semplici esperimenti con cui l'utente può appunto sperimentare in maniera facile il sistema di machine learning attraverso diverse interazioni, dalle immagini alla musica.

Tra queste machine learning applications:

  •     Teachable Machine: permette di sperimentare come si costituisce l'apprendimento automatico di una macchina prendendo i dati di partenza e facendoli corrispondere a determinati criteri che porteranno al match esatto. Il sistema TM utilizza immagini catturata dalla webcam del pc.
  •     Giorgio Cam: trasforma oggetti presi dal mondo reale in musica, generata direttamente dal telefono attraverso una foto scattata dal telefono. Etichetta ciò che vede con il riconoscimento dell'immagine per poi trasformare le etichette estrapolate in testi di una canzone.
  •     AutoDraw: trasforma uno “scarabocchio” in un disegno più complesso.  Da un disegno elementare il sistema, attraverso l'apprendimento automatico, capisce cosa vuoi raffigurare concludendo con un clic il tuo disegno.

 

Se ti affascina questa scienza e vuoi impararne la gestione, scegli il workshop della Geeks Academy in Artificial Intelligence & Machine Learning con Python che forma sia dal punto di vista teorico sia pratico insegnando in maniera rapida ed efficace a gestire queste tecniche.

LEGGI TUTTE LE NEWS