L'Apprendimento Automatico (noto in letteratura come Machine Learning) rappresenta una delle aree fondamentali dell'Intelligenza Artificiale e si occupa della realizzazione di sistemi che si basano su osservazioni o esempi come dati per la sintesi di nuova conoscenza (classificazioni, generalizzazioni, riformulazioni).
Sono numerose le situazioni di difficile soluzione mediante algoritmi tradizionali. Queste tipicamente sono dovute alla presenza di uno o più dei seguenti fattori:
- Difficoltà di formalizzazione.
Per esempio ognuno di noi sa riconoscere se una certa immagine contenga la faccia di un amico ma probabilmente nessuno sa descrivere una sequenza di passi computazionali che, eseguita sui pixels, consenta di rispondere alla domanda.
- Elevato numero di variabili in gioco
- Mancanza di teoria.
Per esempio non esistono leggi matematiche note che regolino con esattezza l'andamento dei mercati finanziari.
- Necessità di personalizzazione.
Se per esempio vogliamo classificare documenti come interessanti o non interessanti, la distinzione può dipendere significativamente dal particolare utente.
Gli algoritmi di apprendimento automatico sono tradizionalmente divisi in tre principali tipologie:
- Apprendimento Supervisionato: un istruttore fornisce esempi (e controesempi) di quello che si deve apprendere
- Apprendimento non Supervisionato parte da osservazioni non preclassificate
- Apprendimento con Rinforzo
L'analisi dell'apprendimento automatico è nota come teoria dell'apprendimento.
Bibliografia
- Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0070428077
