Machine Learning (ML)

L'apprendimento automatico (ML) è un sottocampo dinamico dell'Intelligenza Artificiale (IA). Intelligenza Artificiale (IA) che che si concentra sullo sviluppo di sistemi in grado di apprendere dai dati per migliorare le proprie prestazioni nel tempo senza essere programmati esplicitamente per ogni regola specifica. Coniata dal pioniere Arthur Samuel nel 1959, questa disciplina permette ai computer di identificare modelli, prendere decisioni e prevedere risultati sulla base di informazioni storiche. Piuttosto che seguire una serie statico di istruzioni, gli algoritmi di ML costruiscono un modello matematico basato su dati di addestramento per fare previsioni o prendere decisioni senza essere esplicitamente programmati per eseguire il compito.

Paradigmi di apprendimento fondamentali

Gli algoritmi di apprendimento automatico sono generalmente classificati in base al modo in cui imparano dai dati. La comprensione di questi paradigmi è è essenziale per selezionare l'approccio giusto per un determinato problema:

• Apprendimento supervisionato: L'algoritmo algoritmo viene addestrato su un set di dati etichettati, il che significa che l'input viene fornito con l'output corretto. Il modello impara a mappare input agli output, comunemente utilizzato per compiti come la classificazione delle immagini e il filtraggio dello spam. Risorse come guida all'apprendimento supervisionato di IBM offrono un'ulteriore approfondimento su questi flussi di lavoro.
• Apprendimento non supervisionato: In questo approccio, l'algoritmo questo approccio, l'algoritmo elabora i dati non etichettati per scoprire strutture o modelli nascosti, come il raggruppamento dei clienti in base al comportamento di acquisto. clienti in base al comportamento di acquisto. Tecniche come il clustering sono fondamentali per questo paradigma.
• Apprendimento per rinforzo: Un agente impara a prendere decisioni eseguendo azioni in un ambiente e ricevendo un feedback sotto forma di premi o penalità. ricompense o penalità. Questo metodo è fondamentale per l'addestramento di agenti per compiti complessi, come quelli visti in robotica e nei giochi strategici.
• Apprendimento semi-supervisionato: Questo approccio ibrido utilizza una piccola quantità di dati etichettati combinati con una grande quantità di dati non etichettati, spesso migliorando l'accuratezza dell'apprendimento quando l'etichettatura è costosa. migliorare l'accuratezza dell'apprendimento quando l'etichettatura è costosa.

Differenziare il ML dai concetti correlati

Anche se spesso vengono usati in modo intercambiabile, è importante distinguere il termine ML dai termini correlati nell'ecosistema della scienza dei dati:

• Apprendimento profondo (DL): A un sottoinsieme specializzato di ML che utilizza reti neurali reti neurali (NN) multistrato per modellare modelli complessi nei dati. L'apprendimento profondo è alla base delle moderne scoperte in Computer Vision (CV) e nell'elaborazione del linguaggio naturale.
• Data Mining: Questo campo si concentra sulla scoprire modelli o relazioni precedentemente sconosciuti all'interno di grandi insiemi di dati. Mentre il ML si concentra sulla previsione e sul decisionale, il data mining si concentra sull'estrazione di informazioni utili all'azione, spesso descritte da SAS Analytics.
• Intelligenza artificiale (AI): Il campo generale che mira a creare macchine intelligenti. Il ML è il sottoinsieme pratico che fornisce i metodi statistici per metodi statistici per ottenere l'IA.

Applicazioni nel mondo reale

L'apprendimento automatico è il motore di molte tecnologie trasformative in diversi settori.

1. L'intelligenza artificiale nell'assistenza sanitaria: I modelli ML stanno rivoluzionando la diagnostica eseguendo analisi delle immagini mediche. Gli algoritmi possono detect con grande precisione anomalie come i tumori nelle scansioni di risonanza magnetica, assistendo i radiologi nella diagnosi precoce delle malattie. Le ricerche pubblicate su riviste come Nature Medicine evidenziano spesso questi progressi. questi progressi.
2. L'intelligenza artificiale nel settore automobilistico: I veicoli autonomi si basano molto sul ML per percepire l'ambiente circostante. I sistemi addestrati su vaste quantità di filmati di guida utilizzano il di rilevamento degli oggetti per identificare pedoni, altre auto e segnali stradali in tempo reale, garantendo una navigazione sicura. Aziende come Waymo utilizzano questi stack di percezione avanzati.

Implementazione dell'apprendimento automatico

Lo sviluppo di una soluzione di ML comporta la raccolta di dati, l'addestramento di un modello e la sua distribuzione per l'inferenza. I moderni framework come PyTorch e TensorFlow forniscono gli strumenti essenziali per costruire questi sistemi.

Di seguito è riportato un esempio conciso di utilizzo del metodo ultralytics per eseguire l'inferenza con un modello ML pre-addestrato. preallenato. Questo dimostra la facilità con cui i moderni strumenti di ML possono essere applicati ai compiti di computer vision.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

Un'implementazione di successo richiede anche un'attenzione strategie di distribuzione del modello e al monitoraggio per per evitare problemi come l'overfitting, in cui un modello impara i dati di addestramento e non riesce a generalizzare a nuovi input. Strumenti come Scikit-learn rimangono vitali per le attività di ML tradizionali, mentre la Ultralytics YOLO11 rappresenta l'avanguardia per per le attività di apprendimento basate sulla visione.