Sommario:
Definizione - Cosa significa apprendimento automatico?
L'apprendimento automatico è una disciplina di intelligenza artificiale (AI) orientata allo sviluppo tecnologico della conoscenza umana. L'apprendimento automatico consente ai computer di gestire nuove situazioni tramite analisi, auto-allenamento, osservazione ed esperienza.
L'apprendimento automatico facilita il continuo avanzamento dell'informatica attraverso l'esposizione a nuovi scenari, test e adattamento, impiegando modelli e rilevamento delle tendenze per decisioni migliori in situazioni successive (anche se non identiche).
L'apprendimento automatico è spesso confuso con il data mining e la scoperta della conoscenza nei database (KDD), che condividono una metodologia simile.
Techopedia spiega Machine Learning
Tom M. Mitchell, un pioniere dell'apprendimento automatico e professore della Carnegie Mellon University (CMU), ha predetto l'evoluzione e la sinergia dell'apprendimento umano e automatico. Il feed di notizie di Facebook di oggi è un esempio perfetto. Il feed delle notizie è programmato per visualizzare i contenuti degli utenti. Se un utente tagga o scrive frequentemente sulla bacheca di un determinato amico, il feed delle notizie cambia il suo comportamento per visualizzare più contenuti da quell'amico.
Altre applicazioni di apprendimento automatico includono il riconoscimento di schemi sintattici, l'elaborazione del linguaggio naturale, i motori di ricerca, la visione artificiale e la percezione della macchina.
| Download gratuito: AI nel settore assicurativo: 26 casi d'uso reali |
È difficile replicare l'intuizione umana in una macchina, principalmente perché gli esseri umani spesso imparano ed eseguono le decisioni inconsciamente.
Come i bambini, le macchine richiedono un lungo periodo di addestramento durante lo sviluppo di ampi algoritmi orientati alla dettatura del comportamento futuro. Le tecniche di addestramento comprendono l'apprendimento automatico, la regolazione dei parametri, i macro-operatori, la suddivisione in blocchi, l'apprendimento basato su spiegazioni, il raggruppamento, la correzione degli errori, la registrazione di casi, la gestione di più modelli, la propagazione posteriore, l'apprendimento per rinforzo e gli algoritmi genetici.
