Machine learning: cos’è, come funziona e come investire nel settore

Di Redazione FinanzaNews24 3 minuti di lettura
il-fintech-e-la-democratizzazione-della-finanza:-rischi-e-benefici

(Money.it) Nonostante oggi si parli molto di intelligenza artificiale, per molte persone il concetto di machine learning è ancora completamente sconosciuto.

Comprendere cos’è il machine learning e come funziona è fondamentale, specialmente per chi ha interesse ad investire nel settore. Naturalmente, capire questi aspetti non è sufficiente per poter fare affari profittevoli con il machine learning, tuttavia rappresenta un primo passo che è fondamentale compiere.

Cos’è il machine learning

Il machine learning, o apprendimento automatico, è una branca dell’intelligenza artificiale che si occupa di addestrare i computer a imparare dai dati senza essere esplicitamente programmati.

In altre parole, è un metodo che consente alle macchine di fare esperienza e migliorare le prestazioni attraverso l’analisi delle informazioni che vengono loro fornite.

Nel machine learning gli algoritmi – che rappresentano il motore principale – vengono “allenati” per classificare oggetti, individuare pattern, fare previsioni e prendere decisioni vantaggiose.

Come funziona il machine learning

Nel machine learning esistono quattro tipi di apprendimento diversi: supervisionato, non supervisionato, semi-supervisionato e rinforzato.

1) Apprendimento supervisionato Questo è il primo dei quattro modelli di machine learning. Con l’apprendimento supervisionato la macchina riceve un set di dati già etichettati come input e output e inizia ad analizzarli attraverso gli algoritmi per ricavare le relazioni che ci sono tra essi. Una volta terminato l’addestramento, se si fornisce alla macchina un input simile a quelli usati in precedenza, dovrebbe essere in grado di fornire un output coerente.

2) Apprendimento non supervisionato L’apprendimento non supervisionato mette a disposizione della macchina solamente un set di dati, alcuni non etichettati e alcuni etichettati come input.

A questo punto sta a lei fornire degli output coerenti e ricavare attraverso gli algoritmi le relazioni presenti. Questo metodo di apprendimento è particolarmente utile quando si ha un grande set di dati e si vuole cercare di scoprire nuove relazioni tra i dati di cui non si è a conoscenza.

3) Apprendimento semi-supervisionato Questo modello di machine learning si colloca a metà tra quello supervisionato e quello non supervisionato. In questo modello, l’algoritmo dell’apprendimento semi-supervisionato dà alla macchina l’istruzione di analizzare i dati etichettati per rilevare le caratteristiche che potrebbero essere presenti anche nei dati non etichettati.

4) Apprendimento rinforzato o per


© Money.it

Leggi l’articolo completo su Money.it

Condividi questo articolo
Exit mobile version