Lezione 01 - Organizzazione e introduzione al machine learning

Settimana: 1 · Fonte: slide del corso Machine Learning, Ingegneria dell'Automazione UniPD (lezione 1)

Argomenti trattati

1. Organizzazione del corso: lezioni teoriche, laboratori in Python e esame in due parti, una teorica/numerica e una pratica con un dataset da esplorare, preparare e modellare.
2. Intelligenza artificiale, machine learning, deep learning: come si inseriscono uno nell'altro e che cosa distingue un modello addestrato sui dati da un programma con regole scritte a mano.
3. I tre tipi di apprendimento: supervisionato (regressione e classificazione), non supervisionato (struttura e gruppi), per rinforzo (stato, azione, ricompensa).
4. Il processo di sviluppo di una soluzione ML: problema, raccolta e preparazione dei dati, scelta e addestramento del modello, valutazione, messa in produzione.
5. Limiti e aspetti critici (dati, equità, spiegabilità, costi) e panoramica degli argomenti del corso.

Teoria

• Introduzione al machine learningIl machine learning (ML) è la parte dell'intelligenza artificiale che costruisce soluzioni a partire dai dati e non da regole scritte a mano: un modello matematico con parametri liberi viene addestrato su esempi storici e poi usato su dati nuovi. Si distingue tra apprendimento supervisionato (dati $(x,y)$, si impara la mappa $x\mapsto y$: regressione se $y$ è un numero, classificazione se è una categoria), non supervisionato (solo $x$, si cercano struttura e gruppi) e per rinforzo (stato, azione, ricompensa). Un progetto ML non è «plug and play»: segue le fasi problema, raccolta, pulizia, modellazione, rilascio, e va valutato su dati mai visti; senza dati non c'è modello, alcuni fenomeni sono imprevedibili, la generalizzazione fuori dal dominio di addestramento non è garantita.Introduzione al machine learning →

Lezione successiva: Lezione 2 · Introduzione e basi di statistica