AI, ML, DL!!!!!!!! Quali sono queste parole d'ordine? Perché in città si parla di queste sigle? Spesso le persone usano Intelligenza Artificiale (AI), Machine Learning (ML) e Deep Learning (DL) in modo intercambiabile. Sono uguali o nettamente diversi o c'è qualche relazione tra loro? Risponderemo a tutte le tue domande qui e cercheremo di capire ogni termine uno per uno nel modo più semplice possibile.

Come mostrato nel diagramma di Venn sopra, AI è un termine generico. È il superset costituito da ML e DL come sottoinsiemi. AI ha molti rami, mostrati nella figura successiva (Fig.2.).

Ma cos'è esattamente l'IA?

Se proviamo a spiegarlo a un profano, “Intelligenza Artificiale” è composta da due termini ben distinti: artificiale e intelligenza, che ne rispecchia molto bene il concetto. Attraverso l'intelligenza artificiale, stiamo cercando di imitare l'intelligenza di un cervello umano. Per automatizzare le faccende quotidiane e il lavoro altamente noioso (che si tratti della previsione di una cellula benigna o maligna o dell'utilizzo di un chatbot per effettuare ordini online o sensori di attività), i ricercatori hanno avuto l'idea dell'IA.

Per ora, ci concentreremo sul ramo "ML" di AI.

Apprendimento automatico (ML)

ML è il ramo dell'IA che prevede i risultati senza essere esplicitamente programmato. Impara dai dati e quindi prevede l'output di dati invisibili.

Esistono principalmente tre tipi di machine learning:

1. Apprendimento supervisionato: nell'apprendimento supervisionato, forniamo un set di dati etichettato per addestrare gli algoritmi. Dividiamo il set di dati in un set di addestramento e un set di test. In genere, il set di dati è suddiviso in 80% e 20%, ovvero l'80% dei dati viene utilizzato per l'addestramento e il restante 20% viene utilizzato per il test. Possono esserci anche altre biforcazioni di dati, come il 75% e il 25%, e così via. Cerchiamo sempre di addestrare l'algoritmo su una frazione di dati più grande. Cerchiamo di capire di più attraverso un esempio: Supponiamo di avere un set di dati come di seguito:

2. Apprendimento senza supervisione: in questo tipo di ML vengono utilizzati dati senza etichetta . Gli algoritmi analizzano e quindi raggruppano i set di dati senza etichetta. Gli algoritmi identificano i modelli nascosti nei dati. Possiamo vedere in Fig.4. che i punti dati sono distinti in tre gruppi mostrati da punti blu, arancioni e verdi. Esistono vari algoritmi di clustering. Uno di quelli popolari è l'algoritmo di clustering K-means. La previsione in questo tipo di ML si basa sul cluster a cui appartiene il punto dati. Esistono altri approcci all'apprendimento non supervisionato, che sono le regole di associazione e la riduzione della dimensionalità.

3. Apprendimento per rinforzo: in questo tipo di apprendimento, l'agente di rinforzo apprende dall'esperienza. Esegue un'azione e vede il risultato dell'azione. Se il risultato è buono, viene fornito un feedback positivo e un feedback negativo o una penalità per ogni risultato negativo. Quindi, l'agente impara da questi feedback. Questo tipo di apprendimento viene utilizzato nel processo decisionale sequenziale, come giochi come gli scacchi. Ad esempio, AlphaGo si basa sull'apprendimento per rinforzo. Con l'aiuto di RL, è diventato il primo programma per computer a sconfiggere giocatori umani professionisti e quindi è diventato il giocatore di Go più forte della storia.

Apprendimento profondo (DL)

Deep Learning è un sottoinsieme di ML ispirato al neurone in un cervello umano. Funziona su reti neurali. DL utilizza una struttura a strati di nodi interconnessi (neuroni nel cervello umano). Il numero di strati di nodi interconnessi è anche chiamato profondità. Dovrebbero esserci più di tre livelli per un algoritmo di deep learning. Di seguito è riportato un diagramma che mostra la rete neurale profonda.

Il deep learning è ampiamente utilizzato nel riconoscimento delle immagini, nella traduzione vocale in testo, ecc.

Spero che questo articolo sia stato in grado di aiutarti con un'idea più chiara su AI, ML e DL.

Continua a imparare! Continua a provare! Continua a crescere! :)