Apprendimento automatico

L'apprendimento automatico è un campo dell'informatica che offre ai sistemi informatici la capacità di "apprendere" (cioè migliorare progressivamente le prestazioni su un compito specifico) con i dati, senza essere programmato esplicitamente.

Il nome Machine learning è stato coniato nel 1959 da Arthur Samuel. Evoluto dallo studio del riconoscimento di modelli e della teoria dell'apprendimento computazionale nell'intelligenza artificiale, l'apprendimento automatico esplora lo studio e la costruzione di algoritmi in grado di apprendere e fare previsioni sui dati - tali algoritmi superano seguendo istruzioni di programma strettamente statiche facendo previsioni o decisioni basate sui dati , 2 attraverso la creazione di un modello da input di esempio. L'apprendimento automatico è impiegato in una serie di attività informatiche in cui la progettazione e la programmazione di algoritmi espliciti con buone prestazioni è difficile o irrealizzabile; applicazioni di esempio includono il filtraggio della posta elettronica, il rilevamento di intrusi di rete o membri malintenzionati che lavorano per una violazione dei dati, riconoscimento ottico dei caratteri (OCR), apprendimento del posizionamento e visione artificiale.

L'apprendimento automatico è strettamente correlato (e spesso si sovrappone) alla statistica computazionale, che si concentra anche sulla previsione attraverso l'uso dei computer. Ha forti legami con l'ottimizzazione matematica, che fornisce metodi, teoria e domini applicativi sul campo. L'apprendimento automatico a volte viene combinato con il data mining, dove quest'ultimo sottocampo si concentra maggiormente sull'analisi esplorativa dei dati ed è noto come apprendimento non supervisionato. vii L'apprendimento automatico può anche essere non supervisionato ed essere utilizzato per apprendere e stabilire profili comportamentali di base per varie entità e quindi utilizzato per trovare anomalie significative.

Nel campo dell'analisi dei dati, l'apprendimento automatico è un metodo utilizzato per ideare modelli e algoritmi complessi che si prestano alla previsione; nell'uso commerciale, questo è noto come analisi predittiva. Questi modelli analitici consentono a ricercatori, data scientist, ingegneri e analisti di "produrre decisioni e risultati affidabili e ripetibili" e scoprire "intuizioni nascoste" attraverso l'apprendimento dalle relazioni storiche e dalle tendenze nei dati.

L'apprendimento automatico efficace è difficile perché trovare schemi è difficile e spesso non sono disponibili dati di addestramento sufficienti, i programmi di apprendimento automatico spesso non riescono a fornire.