Machine Learning Classico
Benvenuto alla Lezione 6 di Concetti di Intelligenza Artificiale (COMP5511). Questa sessione funge da ponte tra i fondamenti teorici e le implementazioni pratiche e algoritmiche. Sebbene l'IA moderna ponga spesso l'accento sul Deep Learning, Machine Learning Classico rimane il fondamento dell'analisi dei dati. Questi algoritmi offrono un'elevata interpretabilità e efficienza computazionale, rendendoli la scelta preferita per dati strutturati e analisi conformi agli standard del settore.
1. Apprendimento Supervisionato
Questo paradigma prevede l'addestramento di un modello su un dataset etichettato, in cui l'algoritmo apprende la relazione tra le caratteristiche di input e un output target specifico. Ciò consente al modello di prevedere i risultati per nuovi dati mai visti in modo accurato.
- Alberi Decisionali: Modelli che suddividono i dati in rami per giungere a una decisione di classificazione o numerica.
- Macchine a Vettori di Supporto (SVM): Algoritmi che trovano l' iperpiano ottimale per massimizzare il margine tra classi di dati diverse.
2. Apprendimento Non Supervisionato
Questi algoritmi analizzano dati non etichettati per scoprire pattern, strutture o raggruppamenti nascosti senza alcuna indicazione preliminare su quale dovrebbe essere l'output. Le tecniche principali includono:
- Clustering K-means: Raggruppamento di punti dati in K gruppi distinti in base alle somiglianze delle caratteristiche.
- Analisi delle Componenti Principali (PCA): Una riduzione della dimensionalità tecnica utilizzata per semplificare dati complessi mantenendone la varianza essenziale.