Machine Learning per Tutti!

In questo video introduttivo al modulo sul Machine Learning, ci concentriamo sulla definizione di questa disciplina, che si trova all’interno dell’intelligenza artificiale (AI), e che ha lo scopo di creare sistemi capaci di apprendere autonomamente dai dati e dalle informazioni. Vengono anticipati i principali temi del modulo, tra cui l’importanza di avere dati di qualità e affidabili per alimentare i nostri modelli, concetti come l’interpretabilità degli algoritmi di Machine Learning e la loro capacità di spiegare le decisioni prese. Ciò farà parte di un processo più ampio volto a fornire una visione d’insieme del Machine Learning, evidenziandone i vantaggi e le sfide, nonché per essere gradualmente inseriti in questo mondo affascinante e in continua evoluzione, partendo dalle basi teoriche su cui si fondano tutti gli approcci odierni.

L'Intelligenza Artificiale (IA) è la scienza che studia come creare macchine intelligenti in grado di svolgere attività che solitamente richiedono l'intelligenza umana. L'IA viene utilizzata in vari settori, come la medicina, l'educazione, la sicurezza, l'intrattenimento e molti altri. Esempi comuni di IA includono i sistemi di riconoscimento vocale, i bot, i robot autonomi, dai robot industriali agli aspirapolvere domestici, le auto a guida autonoma e molti altri servizi accessibili attraverso i nostri smartphone o computer. Gli algoritmi di IA possono essere basati su diverse tecnologie, come la logica, la probabilità, l'ottimizzazione, la ricerca euristica e l'apprendimento automatico. Tuttavia, vengono classificati in due categorie principali: l'IA debole e l'IA forte. In questo video approfondiamo queste tematiche ed andiamo a definire quando poter parlare di Intelligenza Artificiale, Machine Learning e Deep Learning.

In questo video sono presentate alcune informazioni sulla storia del Machine Learning, illustrandone alcuni dei principali eventi e rappresentanti. Il video spiega inoltre perché questa disciplina sia diventata così importante e popolare negli ultimi anni, fornendo una panoramica sulle tecnologie e gli strumenti utilizzati nel campo del Machine Learning.

Questo video offre una panoramica completa su una delle principali tematiche legate alla disciplina dell’apprendimento automatico: la nozione di "qualità dei dati", ovvero la capacità di un dataset di fornire informazioni attendibili e complete. Nel video viene affrontata anche la questione relativa all' “interpretabilità" del Machine Learning, ovvero la possibilità di capire come funziona un modello e di poterne estrapolare in anticipo le conclusioni. La parte successiva del video si focalizzerà sulla "correttezza", "accuratezza" e “eticità” dei modelli, ovvero la precisione e le ripercussioni relative alle predizioni di eventi futuri.

In questo video si descrive l'integrazione tra intelligenza umana e il Machine Learning, evidenziando come entrambi abbiano caratteristiche e abilità differenti e come non siano in competizione tra loro, bensì hanno un alto potenziale ad integrarsi e complementarsi. Viene dimostrato come il Machine Learning non può sostituire completamente il ruolo umano nell'analisi, nella valutazione e nell'uso dei suoi risultati, poiché questi non sono sempre perfetti, affidabili o etici, e richiedono una supervisione, una verifica e una interpretazione umana. Nel video però evidenziamo come l'integrazione tra intelligenza umana e il Machine Learning offra numerosi benefici, tra cui automatizzare i processi aziendali, migliorare la produttività e la qualità del personale, produrre prodotti e servizi di alta qualità e aumentare l'intelligenza umana fornendo informazioni utili e soluzioni possibili basate sui dati oggettivi.

In questo video vengono descritti i 3 paradigmi di apprendimento automatico, tramite i quali si classificano i diversi algoritmi di Machine Learning: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento. L’apprendimento supervisionato avviene quando i dati di input sono etichettati e hanno un corrispondente valore di output. L’apprendimento non supervisionato avviene quando i dati di input non sono etichettati o non hanno un corrispondente valore di output e l’algoritmo deve scoprire eventuali relazioni esistenti. L’apprendimento per rinforzo differisce dall’apprendimento supervisionato e non supervisionato in quanto migliora continuamente il suo modello basandosi sul feedback delle proprie esperienze.