Cos'è l'apprendimento automatico?

Un'introduzione molto semplice all'apprendimento automatico.

Quando mostriamo una mela a un bambino piccolo e gli diciamo che è una “mela”, non sarà in grado di afferrarla subito. Ma supponiamo che uno continui a mostrare una mela ogni giorno e dica loro che è una "mela", e un giorno, quando improvvisamente decidi di mostrare loro un mango e dici che è una "mela", beh indovina un po'... piangeranno e ti chiameranno traditori perché gli hai fatto imparare che una cosa quasi rotonda di colore rosso è una mela e nient'altro. Ora, consideriamo un ragazzo che vuole essere amico di una ragazza, ma non conosce le sue simpatie o antipatie. Quindi, ogni giorno le dà qualcosa di nuovo e nota le sue espressioni, se sono felici, o arrabbiate o qualcos'altro. Con questo impara cosa le piace e cosa non le piace e finalmente la conosce, dopo forse centinaia di tentativi.

Entrambi sono esempi di come si tende ad apprendere le cose cogliendo le informazioni che gli vengono date, solo attraverso la conoscenza del risultato finale (identificare la mela è il risultato finale, essere amico della ragazza è il risultato finale).

Questo è esattamente ciò che fanno le macchine. Quando imparano dai dati che gli forniamo, che possono essere di qualsiasi forma, e imparano le cose da soli, si parla di Machine Learning. Quindi, l'apprendimento automatico è fondamentalmente quando le macchine imparano le cose, e invece di insegnare loro, usano i dati passati e il risultato finale e senza essere codificate esplicitamente, insegnano a se stesse.

Ora, per comprendere i tipi di apprendimento automatico, consideriamo l'esempio esaminato all'inizio. Quando a quel bambino è stata mostrata una "mela", gli è stato detto che questa è una mela, ed è pronunciata come APPLE. Questo è un dato etichettato. Sappiamo cosa significa che ci viene mostrato. Consideriamo ora un altro esempio, in un algoritmo di identificazione degli oggetti, tendiamo a utilizzare milioni di punti dati etichettati che denotano vari oggetti. Questo è anche un esempio di dati etichettati. Ora considera un altro esempio in cui mostriamo al bambino una mela, ma non menzioniamo che si chiama "mela", quindi il bambino tende a identificare un oggetto rosso quasi rotondo, ma non sarà in grado di dire che è si pronuncia come MELA. Ma se mostri loro una cosa gialla di forma ovale, sarà in grado di distinguere tra i due e li considererà come 2 cose diverse. Questo tipo di dati sono i dati senza etichetta. Sappiamo che c'è una differenza tra i due oggetti ma non possiamo nominarli, non hanno etichette. Quindi, quando abbiamo etichettato i dati affinché la macchina apprenda, cioè nel primo caso, questo tipo di apprendimento è noto come Apprendimento supervisionato. Considerando che, quando abbiamo i dati non etichettati, cioè, quest'ultimo caso, le macchine adottano l'apprendimento non supervisionato. Apprendimento supervisionato e non supervisionato, entrambi usano il metodo per minimizzare l'errore per dare i risultati. le macchine adottano l'apprendimento senza supervisione. Apprendimento supervisionato e non supervisionato, entrambi usano il metodo per minimizzare l'errore per dare i risultati. le macchine adottano l'apprendimento senza supervisione. Apprendimento supervisionato e non supervisionato, entrambi usano il metodo per minimizzare l'errore per dare i risultati.

C'è un altro tipo di apprendimento che, invece di minimizzare l'errore, utilizza la tecnica di massimizzare la ricompensa. Capiamolo con l'aiuto di un esempio. Ancora una volta, richiamiamo il nostro bambino. Quello che facciamo questa volta è dirgli un paio di volte che un oggetto rotondo rosso è una mela, e ogni volta che dà la risposta corretta, gli diamo una caramella, una ricompensa. Considera l'esempio in cui il ragazzo nota l'espressione della ragazza. In questo caso, l'espressione “felice” della ragazza è una ricompensa per il ragazzo, attraverso il quale apprende le cose che le piacciono. Questo tipo di apprendimento, in cui tendiamo a massimizzare la ricompensa per massimizzare il tipo di output che desideriamo, è noto come Apprendimento per Rinforzo. Consideriamo un esempio più pratico per capire cosa significa esattamente "ricompensa". Quando giocavamo al gioco del serpente, proteggevamo il serpente dal colpire qualsiasi ostacolo e, allo stesso tempo, raccoglievamo anche cibo, che aiutava il serpente a crescere. Quindi, in questo caso, il cibo è la ricompensa. Prendi nota che questo esempio di gioco del serpente non è un esempio di apprendimento per rinforzo, lo abbiamo usato qui semplicemente per spiegare il significato del termine "ricompensa".

Infine, una cosa importante da notare. Non possiamo usare il sale nel caffè o lo zucchero nel riso fritto. So che lo sanno tutti, ma quello che voglio sottolineare è che ci sono cose che hanno senso in un posto e sembrano essere inutili in un altro. Supponiamo che possiamo calcolare il volume di un cilindro utilizzando una formula specifica ma non possiamo utilizzare la stessa formula per calcolare il volume di una forma completamente diversa, ad esempio un contenitore esagonale. Esiste un insieme specifico di procedure per un tipo specifico di problema e questi sono definiti algoritmi. Gli algoritmi sono fondamentalmente passaggi in cui viene eseguita qualsiasi cosa. Esistono diversi tipi di algoritmi per tutti e tre i tipi di apprendimento e possiamo applicarli in base al tipo di problema in questione.

Senza entrare in dettagli più complicati, vorrei concludere qui il mio primo blog. Grazie per averlo letto fino alla fine. Lascia i tuoi suggerimenti. E non so come sarebbe andata a finire, ma ho adorato l'esperienza di scrivere il mio primo blog e grazie a tutti per aver letto tutto fino alla fine, il mio primo pubblico :)