Apprendimento Automatico Classico

Benvenuto nella Lezione 6 di Concetti di Intelligenza Artificiale (COMP5511). Questa sessione rappresenta un ponte tra le fondamenta teoriche e le implementazioni pratiche e algoritmiche. Mentre l'IA moderna spesso privilegia l'Apprendimento Profondo, Apprendimento Automatico Classicorimane la base dell'analisi dei dati. Questi algoritmi offrono un'elevata interpretabilità e efficienza computazionale, rendendoli la scelta preferita per i dati strutturati e l'analisi standard del settore.

1. Apprendimento Supervisionato

Questo paradigma prevede l'addestramento di un modello su un insieme di dati etichettati, in cui l'algoritmo impara la relazione tra le caratteristiche di ingresso e un output obiettivo specifico. Ciò permette al modello di prevedere risultaticon accuratezza per nuovi dati non visti.

• Alberi Decisionali: Modelli che suddividono i dati in rami per raggiungere una classificazione o una decisione numerica.
• Macchine a Vettori di Supporto (SVM): Algoritmi che trovano il iperpiano ottimaleper massimizzare il margine tra diverse classi di dati.

2. Apprendimento Non Supervisionato

Questi algoritmi analizzano dati non etichettatiper scoprire schemi, strutture o raggruppamenti nascosti senza alcuna guida preventiva su quale debba essere l'output. Tecniche chiave includono:

• Clustering K-means: Raggruppare punti dati in K gruppi distinti basandosi sulla somiglianza delle caratteristiche.
• Analisi delle Componenti Principali (PCA): Una tecnica di riduzione della dimensionalitàutilizzata per semplificare dati complessi mantenendo la loro varianza essenziale.