Sono necessarie tecniche di machine learning per migliorare l’accuratezza dei modelli predittivi. A seconda della natura del problema aziendale affrontato, esistono diversi approcci basati sul tipo e sul volume dei dati. In questa sezione, discutiamo le categorie di apprendimento automatico.
Apprendimento supervisionato
L’apprendimento supervisionato inizia in genere con un set di dati stabilito e una certa comprensione di come tali dati sono classificati. L’apprendimento supervisionato ha lo scopo di trovare modelli nei dati che possono essere applicati a un processo di analisi. Questi dati hanno etichettato caratteristiche che definiscono il significato dei dati. Ad esempio, è possibile creare un’applicazione di apprendimento automatico che distingue tra milioni di animali, in base aimmagini e descrizioni scritte.
Apprendimento non supervisionato
L’apprendimento non supervisionato viene utilizzato quando il problema richiede un’enorme quantità di dati non etichettati. Ad esempio, le applicazioni di social media, come Twitter, Instagram e Snapchat, hanno tutte grandi quantità di dati senza etichetta. Comprendere il significato di questi dati richiede algoritmi che classificano i dati in base ai pattern o ai cluster rilevati.
L’apprendimento non supervisionato conduce un processo iterativo, analizzando i dati senza intervento umano. Viene utilizzato con la tecnologia di rilevamento dello spam e-mail. Ci sono troppe variabili nelle e-mail legittime e spam perché un analista tagga le e-mail di massa non richieste. Invece, i classificatori di apprendimento automatico, basati sul clustering e sull’associazione, vengono applicati per identificare le e-mail indesiderate.
Reinforcement learning
Reinforcement learning è un modello di apprendimento comportamentale. L’algoritmo riceve feedback dall’analisi dei dati, guidando l’utente al miglior risultato. L’apprendimento per rinforzo differisce da altri tipi di apprendimento supervisionato, perché il sistema non è addestrato con il set di dati di esempio. Piuttosto, il sistema impara attraverso tentativi ed errori. Pertanto, una sequenza di decisioni di successo comporterà il rafforzamento del processo, perché risolve al meglio il problema in questione.
Deep learning
Deep learning è un metodo specifico di apprendimento automatico che incorpora reti neurali in strati successivi per imparare dai dati in modo iterativo. Deep learning è particolarmente utile quando si sta cercando di imparare modelli da dati non strutturati.
Deep learning le reti neurali complesse sono progettate per emulare come funziona il cervello umano, in modo che i computer possano essere addestrati ad affrontare astrazioni e problemi mal definiti. Il bambino medio di cinque anni può facilmente riconoscere la differenza tra il volto del suo insegnante e il volto della guardia incrociata. Al contrario, il computer deve fare un sacco di lavoro per capire chi è chi. Le reti neurali e l’apprendimento profondo sono spesso utilizzati nelle applicazioni di riconoscimento delle immagini, della parola e della visione artificiale.