Indice
Machine learning
Con Machine Learning (o apprendimento automatico) intendiamo lo studio di algoritmi che “imparano” a ricavare conoscenza attraverso i dati. In un epoca in cui siamo sommersi da una quantità enorme di dati, la capacità di analisi di questi da parte di un essere umano diventa uno scoglio insormontabile. Ed è qui che entra in gioco la capacità delle macchine di processare enormi quantità di dati al posto nostro al fine di generare conoscenza.
Dati
Per poter meglio definire il campo del Machine Learning, dobbiamo prima soffermarci sulla definizione di dato, chiamando in causa altri due termini: “Informazioni” e “Conoscenza”. Con dato noi definiamo, all’interno di un sistema informativo, una rappresentazione oggettiva e non interpretata della realtà, come potrebbe essere un numero, un testo o un’immagine. Se prendiamo ad esempio il numero 10, di per sé non ci dice niente, mentre se lo associamo ad un campo “voto” possiamo interpretare questo dato contestualizzandolo.
L’informazione è quindi un’interpretazione contestualizzata di uno o più dati a nostra disposizione, ovvero un significato che noi diamo ai dati. La conoscenza è l’utilizzo di informazioni estratte da dei dati, ovvero le azioni da intraprendere o le decisioni da effettuare in un dato contesto.
Esempio: se ci trovassimo di fronte ad un dato come quello visto in precedenza, ovvero 10 = voto, dovremo capire se questo dato corrisponde ad un fattore positivo o negativo nei riguardi del nostro andamento scolastico. Se fossimo studenti delle superiori potremmo sicuramente dormire sogni tranquilli, poiché l’informazione riguarda un voto più che positivo e l’azione da intraprendere in base alla nostra conoscenza sarebbe quella di continuare così. Mentre se quel dato corrispondesse ad un voto universitario, l’informazione sarebbe sicuramente negativa e noi dovremmo applicarci di più nello studio di quella materia.
Dopo questa spiegazione di cosa sia il dato, complicheremo ulteriormente le cose dividendo i dati in: strutturati, non strutturati e semi strutturati.
Dati strutturati
I dati strutturati sono conservati all’interno di basi di dati (database), seguendo schemi e modelli di gestione relazionale delle informazioni.
Esempio dato strutturato:
| Id | nome | cognome |
| 1 | mario | rossi |
| 2 | luigi | bianchi |
Dati non strutturati
Rappresentano tutti quei dati privi di schema. Un esempio di dati non strutturati possono essere dei contenuti multimediali, come video e audio, oppure un testo di una poesia/romanzo.
Esempio dati non strutturati:
Dati semi strutturati
Nei dati semi strutturati troviamo caratteristiche dei dati strutturati e non strutturati. Ad esempio attraverso l’ausilio di sintassi XML è possibile creare un’organizzazione strutturale tra i dati. Questi dati possono essere quindi organizzati secondo logiche strutturate basate sul concetto di lista.
Conclusione
Anziché richiedere necessariamente l’interpretazione sui dati da parte di un essere umano, il Machine Learning offre la possibilità di creare dei modelli per l’analisi di grandi quantità di dati, siano essi strutturati o non strutturati.
Inoltre lo scopo ultimo è quello di riuscire a portare la macchina a generalizzare in base alla propria esperienza, ovvero di portarla a compiere dei ragionamenti induttivi e quindi in futuro a creare una possibile Intelligenza Artificiale.
