Tipi di Apprendimento Automatico
Apprendimento Supervisionato
L'apprendimento supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento etichettato.
I compiti più comuni dell'apprendimento supervisionato sono:
-
Regressione (ad esempio, previsione del prezzo di una casa): è necessario un set di addestramento etichettato con altri prezzi di case;
-
Classificazione (ad esempio, classificazione delle email come spam/ham): è necessario un set di addestramento etichettato come spam/ham.
Apprendimento non supervisionato
L'apprendimento non supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento non etichettato.
Le principali attività di apprendimento non supervisionato sono clustering, rilevamento di anomalie e riduzione della dimensionalità.
Clustering
Raggruppamento di punti dati simili in cluster senza etichette — ad esempio, raggruppare email senza sapere se sono spam o meno.
Rilevamento di anomalie
Individuazione di punti dati che si discostano dai modelli normali, come transazioni con carta di credito insolite, senza necessità di etichette di frode.
Riduzione della dimensionalità
Riduzione del numero di caratteristiche mantenendo le informazioni importanti — anch'essa senza etichette.
Apprendimento per rinforzo
L'apprendimento per rinforzo si differenzia notevolmente dai due tipi precedenti. È una tecnica utilizzata per addestrare veicoli a guida autonoma, robot, intelligenze artificiali nei giochi e altro ancora.
L'apprendimento per rinforzo è una tecnica di machine learning in cui l'agente (ad esempio, un robot aspirapolvere) apprende prendendo decisioni e riceve una ricompensa se la decisione è corretta e una penalità se la decisione è errata.
L'addestramento di un cane a riportare un oggetto funziona in modo simile all'apprendimento per rinforzo: le azioni corrette ottengono una ricompensa, le azioni sbagliate una penalità e riportare con successo la palla comporta una ricompensa maggiore, rafforzando il comportamento desiderato.
1. Per addestrare il modello di ML per un compito di apprendimento supervisionato, è necessario che il set di addestramento contenga il target (sia etichettato). È corretto?
2. Per addestrare il modello di ML per un compito di apprendimento non supervisionato, non è necessario che il set di addestramento contenga un target (sia etichettato). È corretto?
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Can you explain the differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are the main advantages and disadvantages of each learning type?
Awesome!
Completion rate improved to 3.13Tipi di Apprendimento Automatico
Scorri per mostrare il menu
Apprendimento Supervisionato
L'apprendimento supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento etichettato.
I compiti più comuni dell'apprendimento supervisionato sono:
-
Regressione (ad esempio, previsione del prezzo di una casa): è necessario un set di addestramento etichettato con altri prezzi di case;
-
Classificazione (ad esempio, classificazione delle email come spam/ham): è necessario un set di addestramento etichettato come spam/ham.
Apprendimento non supervisionato
L'apprendimento non supervisionato è una tecnica di machine learning in cui il modello viene addestrato su un set di dati di addestramento non etichettato.
Le principali attività di apprendimento non supervisionato sono clustering, rilevamento di anomalie e riduzione della dimensionalità.
Clustering
Raggruppamento di punti dati simili in cluster senza etichette — ad esempio, raggruppare email senza sapere se sono spam o meno.
Rilevamento di anomalie
Individuazione di punti dati che si discostano dai modelli normali, come transazioni con carta di credito insolite, senza necessità di etichette di frode.
Riduzione della dimensionalità
Riduzione del numero di caratteristiche mantenendo le informazioni importanti — anch'essa senza etichette.
Apprendimento per rinforzo
L'apprendimento per rinforzo si differenzia notevolmente dai due tipi precedenti. È una tecnica utilizzata per addestrare veicoli a guida autonoma, robot, intelligenze artificiali nei giochi e altro ancora.
L'apprendimento per rinforzo è una tecnica di machine learning in cui l'agente (ad esempio, un robot aspirapolvere) apprende prendendo decisioni e riceve una ricompensa se la decisione è corretta e una penalità se la decisione è errata.
L'addestramento di un cane a riportare un oggetto funziona in modo simile all'apprendimento per rinforzo: le azioni corrette ottengono una ricompensa, le azioni sbagliate una penalità e riportare con successo la palla comporta una ricompensa maggiore, rafforzando il comportamento desiderato.
1. Per addestrare il modello di ML per un compito di apprendimento supervisionato, è necessario che il set di addestramento contenga il target (sia etichettato). È corretto?
2. Per addestrare il modello di ML per un compito di apprendimento non supervisionato, non è necessario che il set di addestramento contenga un target (sia etichettato). È corretto?
Grazie per i tuoi commenti!
