| 1. apprendimento supervisionato: il computer impara da input o output corretti. 2. apprendimento non supervisionato: nessun dato corretto è dato come input e si suppone che il computer calcoli le relazioni da solo. Tipi di uscita: Ci sono due tipi di uscite "Regressione" e "Classificazione". Il primo è descritto come segue: Un valore continuo è fornito per ogni input, ad esempio, la previsione dei prezzi delle case o delle azioni. In "Classificazione", il modello calcola un valore specifico basato sugli input, per esempio, se un’e-mail è spam (1) o no (0). Apprendimento automatico: L'algoritmo di apprendimento crea la migliore ipotesi possibile, questa ipotesi viene poi confrontata con la cosiddetta: "Cost-function". Così si scopre quanto "bene" funziona l'IA. Più piccolo è il valore della "funzione-costo", meglio funziona l'IA. Ci sono diversi modi per eseguire l'apprendimento supervisionato: 1. apprendimento parziale supervisionato 2. apprendimento vincolato 3. apprendimento attivo 4. apprendimento autonomo Apprendimento semi-supervisionato: significa che il computer ha un output solo per una parte dell'input. Apprendimento vincolato: il computer genera output basati sugli input. Gli output sono poi penalizzati o premiati dall'umano. In questo modo, il computer impara se ha esteso correttamente l'input e ha prodotto il risultato desiderato. Questo principio di ricompensa e punizione è la forma più comune di apprendimento degli esseri umani. Apprendimento attivo: l'IA può fare domande per una certa parte dell'input per l'output corretto. In questo processo, l'algoritmo deve generare la domanda corretta in modo da poter calcolare il maggior guadagno di informazioni possibili. Apprendimento autonomo: L'apprendimento autonomo è un processo che si svolge in 2 fasi. Nel primo passo, l'algoritmo forma pseudo etichette basate sui set di dati di input. Nella seconda fase, il computer cerca diversi modelli nelle pseudo etichette per dare successivamente l'output corretto. Apprendimento non supervisionato: Sulla base di tutti gli input, il computer genera un modello statistico che categorizza (chiamato processo di clustering) e descrive i valori di input. Così, il computer può calcolare le previsioni. Nell'apprendimento non supervisionato, l'IA cerca di assegnare in modo ottimale i dati alle categorie e generare l'output corretto in base ai parametri. Un altro metodo di apprendimento non supervisionato è l'analisi delle componenti principali. Cerca di mantenere l'analisi dell'input il più piccolo possibile e allo stesso tempo ottenere il risultato più accurato possibile. I dati sono ridotti al minimo. Benedikt
|
