Machine Learning Classico
Benvenuti alla Lezione 6 del corso Artificial Intelligence Concepts (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 resta il fondamento dell'analisi dei dati. Questi algoritmi offrono un'elevata interpretabilità e efficienza computazionale, rendendoli la scelta preferita per i dati strutturati e per le analisi 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 dividono i dati in rami per raggiungere una decisione di classificazione o numerica.
- Macchine a Vettori di Supporto (SVM): Algoritmi che trovano l' iperpiano ottimale per massimizzare il margine tra diverse classi di dati.
2. Apprendimento Non Supervisionato
Questi algoritmi analizzano dati non etichettati per scoprire pattern, strutture o raggruppamenti nascosti senza alcuna indicazione preliminare su quale debba essere l'output. Le tecniche principali includono:
- Clustering K-means: Raggruppamento dei 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.