Apprendimento Automatico Classico

Benvenuti alla Lezione 6 dei Concetti di Intelligenza Artificiale (COMP5511). Questa sessione funge da ponte tra le fondamenta teoriche e le implementazioni algoritmiche pratiche. Mentre l'IA moderna enfatizza spesso il Deep Learning, Apprendimento Automatico Classico rimane la base dell'analisi dei dati. Questi algoritmi offrono un'elevata interpretabilità e efficienza computazionale, rendendoli la scelta preferita per dati strutturati e analisi standard di settore.

1. Apprendimento Supervisionato

Questo paradigma prevede l'addestramento di un modello su un dataset etichettato, dove l'algoritmo apprende la relazione tra le caratteristiche di input e un output target specifico. Ciò consente al modello di prevedere risultati per dati nuovi e mai visti in modo accurato.

Alberi Decisionali: Modelli che dividono i dati in rami per raggiungere una classificazione o una decisione 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 guida preliminare su quale dovrebbe essere l'output. Le tecniche chiave includono:

Clustering K-means: Raggruppamento di punti dati in K gruppi distinti basati sulle somiglianze delle caratteristiche.
Analisi delle Componenti Principali (PCA): Una tecnica di riduzione della dimensionalità utilizzata per semplificare dati complessi preservando la loro varianza essenziale.

Interpretabilità vs. Complessità

Un vantaggio significativo dell'apprendimento automatico classico è la sua trasparenza. A differenza dei modelli di deep learning "black-box", algoritmi come gli Alberi Decisionali consentono agli esseri umani di tracciare la logica esatta dietro una previsione, il che è fondamentale per settori ad alto rischio come la medicina o la finanza.

Flusso di implementazione Scikit-learn