Apprendimento automatico - Senza supervisione
Finora quello che hai visto è far imparare alla macchina a trovare la soluzione al nostro obiettivo. Nella regressione, addestriamo la macchina a prevedere un valore futuro. Nella classificazione, addestriamo la macchina a classificare un oggetto sconosciuto in una delle categorie da noi definite. In breve, abbiamo addestrato le macchine in modo che possano prevedere Y per i nostri dati X. Dato un enorme set di dati e non stimando le categorie, sarebbe difficile per noi addestrare la macchina utilizzando l'apprendimento supervisionato. E se la macchina potesse cercare e analizzare i big data in esecuzione in diversi Gigabyte e Terabyte e dirci che questi dati contengono così tante categorie distinte?
Ad esempio, considera i dati dell'elettore. Considerando alcuni input da ciascun elettore (queste sono chiamate funzionalità nella terminologia AI), lascia che la macchina predica che ci sono così tanti elettori che voterebbero per X partito politico e così tanti voterebbero per Y, e così via. Quindi, in generale, chiediamo alla macchina data una serie enorme di punti dati X, "Cosa puoi dirmi di X?". Oppure potrebbe essere una domanda come "Quali sono i cinque migliori gruppi che possiamo fare di X?". Oppure potrebbe essere anche come "Quali tre caratteristiche si verificano insieme più frequentemente in X?".
Questo è esattamente tutto ciò che riguarda l'apprendimento senza supervisione.
Algoritmi per l'apprendimento senza supervisione
Parliamo ora di uno degli algoritmi ampiamente utilizzati per la classificazione nell'apprendimento automatico senza supervisione.
k-significa raggruppamento
Le elezioni presidenziali del 2000 e del 2004 negli Stati Uniti erano vicine, molto vicine. La percentuale più alta del voto popolare che un candidato ha ricevuto è stata del 50,7% e la più bassa del 47,9%. Se una percentuale degli elettori avesse cambiato parte, il risultato delle elezioni sarebbe stato diverso. Ci sono piccoli gruppi di elettori che, se opportunamente sollecitati, cambieranno parte. Questi gruppi potrebbero non essere enormi, ma con gare così ravvicinate potrebbero essere abbastanza grandi da cambiare il risultato delle elezioni. Come trovi questi gruppi di persone? Come ti rivolgi a loro con un budget limitato? La risposta è il raggruppamento.
Facci capire come si fa.
In primo luogo, raccogli informazioni sulle persone con o senza il loro consenso: qualsiasi tipo di informazione che possa dare qualche indizio su ciò che è importante per loro e cosa influenzerà il modo in cui votano.
Quindi inserisci queste informazioni in una sorta di algoritmo di clustering.
Successivamente, per ogni cluster (sarebbe intelligente scegliere prima quello più grande) crei un messaggio che piacerà a questi elettori.
Infine, fornisci la campagna e misuri per vedere se funziona.
Il clustering è un tipo di apprendimento non supervisionato che forma automaticamente gruppi di cose simili. È come una classificazione automatica. Puoi raggruppare quasi tutto e più gli elementi sono simili nel cluster, migliori sono i cluster. In questo capitolo studieremo un tipo di algoritmo di clustering chiamato k-means. Si chiama k-means perché trova "k" cluster univoci e il centro di ogni cluster è la media dei valori in quel cluster.
Identificazione dei cluster
L'identificazione del cluster dice a un algoritmo: "Ecco alcuni dati. Ora raggruppa cose simili e parlami di quei gruppi. " La differenza fondamentale rispetto alla classificazione è che nella classificazione sai cosa stai cercando. Anche se questo non è il caso del clustering.
Il clustering è talvolta chiamato classificazione senza supervisione perché produce lo stesso risultato della classificazione ma senza avere classi predefinite.
Ora, ci sentiamo a nostro agio sia con l'apprendimento supervisionato che non supervisionato. Per comprendere il resto delle categorie di apprendimento automatico, dobbiamo prima comprendere Reti neurali artificiali (ANN), che impareremo nel prossimo capitolo.