Unsupervised Learning

L'apprendimento non supervisionato è il ramo del machine learning che individua strutture nei dati senza etichette. Il modello riceve solo input, come immagini, letture di sensori o record di clienti, e impara come sono organizzati: quali esempi si somigliano, quali caratteristiche variano insieme e quali punti differiscono dal resto. L'apprendimento supervisionato richiede una risposta corretta per ogni esempio di training, ma la maggior parte dei dati raccolti non ne ha una; per questo i metodi non supervisionati sono spesso il primo strumento con cui analizzare un nuovo dataset e la fonte di raggruppamenti, caratteristiche compatte e punteggi di anomalia su cui si basano i modelli successivi.

Principali famiglie di metodi#

Il clustering raggruppa esempi simili. Il clustering K-means assegna ogni punto al centroide più vicino tra k centroidi; DBSCAN sviluppa cluster a partire da regioni dense e contrassegna i punti isolati come rumore; i modelli a miscela gaussiana adattano distribuzioni di probabilità sovrapposte usando l'algoritmo di massimizzazione dell'aspettativa.

La riduzione della dimensionalità comprime molte caratteristiche in poche, conservando gran parte delle informazioni. L'analisi delle componenti principali (PCA) individua le direzioni di massima varianza; t-SNE e UMAP collocano punti ad alta dimensionalità su una mappa 2D per la visualizzazione dei dati. Gli autoencoder apprendono lo stesso tipo di compressione con una rete neurale che deve ricostruire il proprio input.

La stima della densità modella la probabilità di ogni input e rende possibile il rilevamento delle anomalie usando solo dati normali: un modello addestrato esclusivamente su componenti intatti o transazioni ordinarie segnala tutto ciò che ritiene improbabile. Il data mining delle regole di associazione, come l'algoritmo Apriori, individua gli elementi che ricorrono insieme nei carrelli della spesa o nei registri degli eventi.

Apprendere e valutare senza etichette#

Senza valori obiettivo, ogni metodo ottimizza un criterio definito sugli input stessi: K-means minimizza la distanza tra i punti e i centri dei cluster, PCA e gli autoencoder minimizzano l'errore di ricostruzione e i modelli a miscela massimizzano la verosimiglianza dei dati. Non è possibile misurare direttamente la precisione, quindi i risultati vengono valutati con punteggi interni come il coefficiente di silhouette, in base all'utilità dell'output nelle fasi successive oppure confrontandoli con etichette riservate esclusivamente alla valutazione.

Questo esempio di scikit-learn raggruppa 1.797 immagini di cifre scritte a mano in base ai valori dei pixel, quindi confronta i cluster con le etichette delle cifre che l'algoritmo non ha mai visto:

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

L'indice di Rand corretto è pari a 1,0 per una corrispondenza perfetta e a circa 0 in caso di corrispondenza casuale; in questo esempio è 0,67. Gli zeri, i quattro e i sei finiscono quasi tutti nei rispettivi cluster, mentre un cluster mescola 100 uno con 100 otto.

Apprendimento non supervisionato, semi-supervisionato e auto-supervisionato#

L'apprendimento semi-supervisionato combina un piccolo set etichettato con uno grande non etichettato, di solito addestrando prima il modello sulle etichette e poi sulle proprie predizioni sicure. L'apprendimento auto-supervisionato è generalmente considerato apprendimento non supervisionato ed è il metodo con cui la maggior parte dei modelli di deep learning di grandi dimensioni apprende da dati non etichettati: crea valori obiettivo a partire dai dati, come la parola successiva in una frase o le porzioni nascoste di un'immagine negli autoencoder mascherati. I modelli linguistici di grandi dimensioni vengono preaddestrati in questo modo su testi non etichettati; DINOv2 di Meta ha appreso caratteristiche generiche delle immagini da 142 milioni di immagini senza etichette. L'apprendimento per rinforzo è un contesto distinto, in cui il segnale consiste in una ricompensa per le azioni anziché nella struttura di un dataset fisso.

Applicazioni#

I team di visione artificiale usano metodi non supervisionati per esplorare i dataset prima dell'annotazione o dell'addestramento: il clustering degli embedding delle immagini rivela quasi duplicati, valori anomali e scene sovrarappresentate che falserebbero un modello. Il pannello Clustering su Ultralytics Platform lo fa per un intero dataset: calcola l'embedding di ogni immagine, dispone le immagini su una mappa 2D e, impostando Color su Clusters, contrassegna ogni isola di immagini visivamente simili, a partire dalla più grande, ed elenca come Scattered i punti esterni a qualsiasi isola. Un gruppo di fotogrammi video quasi identici o alcuni valori anomali isolati si distinguono così prima che un modello YOLO26 venga addestrato sui dati.

L'ispezione industriale si basa sul rilevamento delle anomalie. I difetti sono rari e vari, quindi molti sistemi di rilevamento dei difetti apprendono soltanto l'aspetto dei componenti integri e segnalano qualsiasi regione dell'immagine che se ne discosti. Le banche applicano la stessa idea alle transazioni nel rilevamento delle frodi, mentre i rivenditori raggruppano le cronologie degli acquisti in segmenti di clientela per il marketing e i sistemi di raccomandazione. Nella genomica delle singole cellule, i ricercatori raggruppano i profili di espressione genica di migliaia di singole cellule e li rappresentano con UMAP per scoprire tipi cellulari senza conoscerli in anticipo.