L’epoca attuale può essere definita come l’era del Machine Learning (ML), una branca dell’intelligenza artificiale che sta trasformando il modo in cui interagiamo con il mondo. Dalla previsione di tendenze di mercato, al miglioramento delle diagnosi mediche, fino alla personalizzazione dell’esperienza online, il machine learning è al centro di un cambiamento radicale nella società e nella tecnologia. Ma cosa significa esattamente “machine learning”? E come funziona?

Immagine promozionale cta infografica intelligenza artificiale

Vediamo in cosa consiste il machine learning, qual è il suo ruolo nell’ambito di quel grande denominatore comune che è l’intelligenza artificiale, ai fini di individuare le ragioni per cui sarà sempre più determinante nell’ambito delle discipline analitiche.

Cosa si intende con machine learning?

Il termine Machine Learning descrive un processo attraverso il quale i computer sono capaci di apprendere e migliorare le proprie prestazioni senza essere esplicitamente programmati per farlo. Questo significa che, invece di seguire istruzioni statiche, i sistemi di machine learning analizzano i dati e, tramite algoritmi, apprendono da essi per fare previsioni o prendere decisioni basate su nuove informazioni.

A livello di programmazione, un’applicazione Machine Learning non va quindi definita istruendo il sistema su tutte le operazioni da eseguire, come avviene nel caso di un software tradizionale, ma si rende necessario lo sviluppo di un algoritmo in grado di acquisire conoscenza dai dati e diventare progressivamente sempre più efficiente nell’esplorazione e nell’elaborazione dei dati, per formulare analisi predittive piuttosto che, nei casi più evoluti, prendere decisioni in autonomia.

In termini tecnici, il machine learning è un sottocampo dell’intelligenza artificiale che si concentra sulla costruzione di sistemi che possono imparare dai dati, identificare modelli e prendere decisioni con minima o nessun intervento umano. Arthur Samuel, uno dei pionieri in questo campo, nonché colui che per primo coniò il termine Machine Learning nel 1959, lo descrive come la “capacità di imparare senza essere esplicitamente programmato“.

La storia del Machine Learning

La storia del machine learning è un viaggio affascinante attraverso decenni di ricerca e sviluppo nell’intelligenza artificiale. Questo viaggio ha le sue radici nei primi giorni della cibernetica e si è sviluppato attraverso varie fasi, culminando nella tecnologia avanzata che conosciamo oggi.

I primi giorni

Il concetto di machine learning prende forma negli anni ’50, un periodo caratterizzato da un grande ottimismo riguardo alle potenzialità dell’intelligenza artificiale. Uno dei pionieri di questo campo, Arthur Samuel, cimentò il termine “machine learning” nel 1959, quando sviluppò un programma di gioco degli scacchi che migliorava le proprie prestazioni man mano che giocava di più. Contemporaneamente, Frank Rosenblatt inventò il Perceptron, un primo modello di rete neurale che poteva riconoscere pattern semplici. Questi primi esperimenti posero le basi teoriche e pratiche per il futuro sviluppo del machine learning.

L’inverno dell’IA

Nonostante l’iniziale entusiasmo, il progresso nel campo del machine learning rallentò negli anni ’70 e ’80, un periodo spesso descritto come l'”inverno dell’IA”. Durante questi anni, la ricerca in intelligenza artificiale fu ostacolata da limitazioni tecnologiche e da una mancanza di risultati pratici, il che portò a una riduzione del finanziamento e dell’interesse nel campo. Tuttavia, questo periodo fu anche un tempo di riflessione critica e di sviluppo concettuale che avrebbe alimentato la prossima ondata di interesse.

Il rinascimento del Machine Learning

Gli anni ’90 segnarono l’inizio di un rinascimento nel machine learning, stimolato dal miglioramento delle capacità di calcolo e dalla disponibilità di grandi quantità di dati. Algoritmi come le reti neurali backpropagation, sviluppate negli anni ’80, trovarono nuova vita con hardware più potente. Inoltre, nuovi metodi come le Support Vector Machines (SVM) e gli algoritmi di clustering avanzarono il campo, ampliando le sue applicazioni pratiche.

L’era del Big Data

L’ingresso nel 21° secolo ha segnato l’era del Big Data, propellendo il machine learning a nuove vette. L’avvento di internet e la digitalizzazione di enormi quantità di informazioni hanno creato un ambiente ideale per l’applicazione di algoritmi di machine learning. La disponibilità di grandi dataset ha permesso la nascita del deep learning, una classe di reti neurali profonde che hanno mostrato capacità sorprendenti, soprattutto nel riconoscimento di immagini e linguaggio naturale.

Innovazioni recenti

Negli ultimi anni, abbiamo assistito a sviluppi rivoluzionari grazie al machine learning. Algoritmi sempre più sofisticati hanno permesso progressi significativi in campi come l’assistenza sanitaria, dove il machine learning aiuta a diagnosticare malattie con precisione superiore a quella umana, e l’autonomia dei veicoli, dove sistemi avanzati di apprendimento automatico guidano lo sviluppo di auto senza conducente. Anche il settore finanziario e il commercio al dettaglio sfruttano queste tecnologie per la personalizzazione del servizio clienti e la previsione delle tendenze di mercato.

Differenza con Intelligenza Artificiale, Deep learning, Data Mining

Mentre il machine learning è una delle aree di ricerca più dinamiche e di impatto, spesso viene confuso con termini correlati come intelligenza artificiale, deep learning e data mining. Ciascuno di questi campi, pur essendo interrelati, ha delle specifiche che meritano di essere chiaramente definite.

Intelligenza Artificiale vs Machine Learning

L’intelligenza artificiale (IA) è un campo vasto che comprende il machine learning come una delle sue sotto-discipline. L’IA si riferisce a qualsiasi tecnica che permette ai computer di imitare il comportamento umano e la cognizione, includendo il ragionamento, l’apprendimento, la pianificazione e la percezione. Il machine learning, invece, è specificamente focalizzato su algoritmi che permettono ai computer di imparare dai dati e migliorare le proprie prestazioni senza essere esplicitamente programmati. In sostanza, mentre ogni algoritmo di machine learning è una forma di IA, non tutte le applicazioni di IA utilizzano il machine learning.

Machine Learning vs Deep Learning

Il deep learning è una sottocategoria specializzata del machine learning. Si basa su reti neurali profonde, che sono algoritmi ispirati al funzionamento del cervello umano. Queste reti sono “profonde” perché consistono di molteplici strati (layers) che trasformano i dati di input in modi sempre più complessi e astratti. Il deep learning è particolarmente potente per compiti che richiedono la comprensione di grandi quantità di dati non strutturati, come il riconoscimento di immagini, il processamento del linguaggio naturale e la generazione di testo. Il machine learning tradizionale, d’altra parte, include anche metodi che non si basano su reti neurali e può essere più adatto per compiti che richiedono meno dati o una maggiore trasparenza e interpretabilità.

Machine Learning vs Data Mining

Data mining e machine learning sono entrambi processi di analisi dei dati, ma con obiettivi e metodologie differenti. Il data mining si concentra sulla scoperta di pattern e correlazioni sconosciute nei grandi set di dati. Utilizza una varietà di tecniche, tra cui statistiche, apprendimento automatico e visualizzazione dei dati, per estrarre informazioni utili o conoscenze dai dati. L’obiettivo è spesso quello di generare intuizioni o comprendere meglio i dati a disposizione. Il machine learning, in contrasto, tende a concentrarsi sull’elaborazione di modelli che possono fare previsioni basate sui dati o sulla loro classificazione. Nonostante queste differenze, il data mining spesso impiega algoritmi di machine learning per segmentare i dati e prevedere tendenze future.

In sintesi, mentre questi campi possono sovrapporsi e si supportano a vicenda, le loro differenze risiedono nelle finalità, nelle tecniche utilizzate e nei tipi di problemi che mirano a risolvere. Comprendere queste distinzioni è essenziale per applicare correttamente ciascuna tecnologia e sfruttare al meglio le sue potenzialità.

Come funziona il machine learning: modelli di apprendimento ed esempi

Il machine learning è un campo affascinante e complesso dell’intelligenza artificiale che si occupa della creazione di modelli capaci di apprendere dai dati. Il funzionamento del machine learning si basa su tre componenti fondamentali: i dati, un modello e un algoritmo di apprendimento. Il processo inizia con la raccolta di grandi quantità di dati, che possono essere strutturati (come tabelle in un database) o non strutturati (come immagini o testi). Questi dati sono poi utilizzati per addestrare un modello. L’algoritmo di apprendimento regola il modello sistematicamente per minimizzare l’errore tra le previsioni del modello e i risultati reali, processo noto come “addestramento”. Una volta addestrato, il modello può fare previsioni o prendere decisioni basate su nuovi dati.

Esempi pratici di applicazione del Machine Learning

1. Manutenzione Predittiva

Il machine learning è ampiamente utilizzato nell’industria per prevedere guasti prima che accadano. Utilizzando dati storici raccolti da sensori su macchinari (come temperature, vibrazioni, e pressioni), i modelli di machine learning possono identificare pattern che precedono i guasti. Questo permette alle aziende di eseguire interventi di manutenzione in modo proattivo, riducendo i tempi di inattività e i costi di manutenzione.

2. Sistemi di Raccomandazione

Piattaforme come Netflix, Amazon e Spotify utilizzano sistemi di raccomandazione basati sul machine learning per personalizzare l’esperienza degli utenti. Analizzando le interazioni passate degli utenti, i modelli possono prevedere quali prodotti, film o canzoni potrebbero interessare di più a ciascun utente e presentare raccomandazioni personalizzate.

3. Riconoscimento del Linguaggio Naturale

Applicazioni come assistenti vocali (Siri, Alexa) e servizi di traduzione automatica (come Google Translate) si basano sul machine learning per comprendere e generare linguaggio umano. Questi sistemi usano complessi modelli di deep learning per processare il linguaggio naturale e fornire risposte utili o traduzioni accurate.

4. Sistemi di riconoscimento delle immagini

I sistemi di apprendimento automatico sono utilizzati in maniera crescente nell’ambito delle applicazioni chiamate a dare un significato alle immagini per effettuare determinate operazioni. Un esempio classico è presente da tempo sui nostri smartphone, con la capacità delle applicazioni fotografiche di riconoscere i volti delle persone, oggetti particolari o di applicare dei filtri capaci di adattarsi in maniera molto accurata alle immagini di base. Nella grande distribuzione organizzata (GDO) e nel retail sono da tempo attivi dei robot in grado di visualizzare le merci presenti sugli scaffali, per capire quali articoli sono in esaurimento, piuttosto che in una posizione errata all’interno dei magazzini. Sono stati inoltre implementati degli scanner capaci di assicurare che gli articoli presenti nei carrelli vengano passati in cassa, prevenendo in questo modo le attività di taccheggio. L’integrazione con i sistemi di videosorveglianza consente ad esempio di rilevare comportamenti sospetti in materia di frode o sicurezza.

Sistemi simili possono essere implementati anche per i sistemi di videosorveglianza, che effettuano un apprendimento automatico basato sul flusso di immagini in tempo reale che le camere installate, interconnesse con sistemi IoT, sono in grado di acquisire. Quando il sistema si accorge di eventuali anomalie può facilmente identificare un comportamento sospetto ed azionare le procedure di sicurezza previste.

5. Supporto decisionale

Le analisi predittive svolte dai sistemi di apprendimento automatico possono aiutare le aziende a prendere decisioni migliori, trasformando la grande quantità di dati grezzi di cui dispongono in informazioni capaci di generare valore aggiunto per il business. Le attività di business analytics consentono di rendere disponibili una quantità di raccomandazioni basate su una combinazione di variabili molto elevata, ad una velocità al di fuori della portata di qualsiasi decisore umano. L’obiettivo del supporto decisionale non è quello di sostituire l’uomo, ma di consentirgli di effettuare scelte più consapevoli, grazie alla miglior visibilità e comprensione degli scenari passati, presenti e futuri del contesto in cui si trova chiamato ad operare.

I sistemi di supporto alle decisioni vengono utilizzati in vari settori industriali:

– Nella manifattura consentono di migliorare l’efficienza dei sistemi di manutenzione, basando su logiche predittive anziché preventive, riducendo il numero complessivo degli interventi ed i relativi costi collegati alla gestione degli impianti;

– Nel settore sanitario, gli strumenti di supporto alle decisioni cliniche aiutano i medici nella redazione delle diagnosi e delle terapie, grazie ad una visione più ampia e consapevole sui dati relativi ai pazienti;

– In agricoltura, i sistemi abilitati all’apprendimento automatico analizzano in tempo reali i dati relativi a clima, energia, acqua e altri variabili che possono supportare gli agricoltori a prendere decisioni sulla gestione delle colture.

In generale, i sistemi di supporto decisionale basati sul machine learning aiutano il management ad anticipare le tendenze e cogliere le opportunità che il mercato presenta. Tali sistemi si avvalgono infatti di strumenti di data visualization avanzati, che consentono di sintetizzare in un un’unica dashboard moltissime informazioni, rendendole disponibili in maniera immediata ed intuitiva, a prescindere dalla complessità analitica che l’applicazione è chiamata a svolgere in backend.

Apprendimento supervisionato, Apprendimento non supervisionato, Apprendimento semi supervisionato, Apprendimento per rinforzo

Una premessa è d’obbligo. Gli algoritmi di apprendimento automatico che costituiscono il motore del machine learning risultano perfettamente funzionali ai big data in quanto sono programmati per processare grandi numeriche di dati ai fini di derivare quelle funzioni complesse su cui si basa ad esempio l’elaborazione degli scenari predittivi.

In buona sostanza, maggiore è la quantità e la qualità dei dati a disposizione del sistema di machine learning, più l’algoritmo ha gioco facile nel generalizzare ed approssimare tali funzioni, rendendole di fatto più efficienti.

La relazione tra l’algoritmo e i dati si focalizza soprattutto nella fase di apprendimento, dove il modello di machine learning viene allenato grazie ai data set disponibili. Sulla base delle modalità con cui questo fondamentale processo avviene, si distinguono sostanzialmente quattro metodi di approfondimento.

Apprendimento supervisionato

Consiste in una categorizzazione dei dati di input, in cui si associa un valore numerico al dato stesso. La supervisione risiede nel fatto che sia i dati di input che quelli di output sono noti sin dalla fase iniziale del training del modello di machine learning, in quanto precedentemente strutturati. Agli algoritmi spetta dunque il compito di descrivere nel modo migliore la relazione che intercorre tra i dati di input e quelli di output. L’apprendimento supervisionato si basa su tecniche di classificazione e di regressione. In una ipotetica applicazione di marketing, nel primo caso potremmo classificare la tipologia di clienti in base alle informazioni disponibili, mentre nel secondo caso sarebbe possibile individuare la relazione tra l’età di un utente e il suo interesse nei confronti del brand.

Apprendimento non supervisionato

A differenza dell’apprendimento supervisionato, i dati non sono strutturati quindi l’algoritmo deve identificare in autonomia le relazioni e gli schemi a partire dal data set che si ritrova ad elaborare. I dati sono in genere raggruppati con criteri di similarità, per inserire nella stessa classe i dati tra loro più somiglianti, individuando così quei gruppi di riferimento in base ai quali vengono classificati i nuovi dati, perfezionando progressivamente i risultati di tale procedura. Grazie all’apprendimento non supervisionato l’algoritmo è capace di risalire in autonomia a schemi e modelli inizialmente nascosti, definendo la struttura logica dei dati senza conoscerne l’output. Un esempio di apprendimento senza supervisione è costituito dal clustering, che nel caso di un’ipotetica applicazione di marketing potrebbe coincidere con la creazione di gruppi di utenti dotati di caratteristiche simili, a cui rivolgere una determinata tipologia di offerte.

Apprendimento semi-supervisionato

si tratta di un approccio ibrido, in cui al modello di machine learning viene fornito un data set non del tutto strutturato o incompleto in alcune sue parti. Ne consegue il fatto che per i dati strutturati diventa possibile l’apprendimento supervisionato, mentre per quelli non strutturati si procede secondo l’apprendimento non supervisionato. L’obiettivo ultimo risiede sempre nel creare le funzioni utili a risolvere i problemi, attraverso il perfezionamento dei modelli utili a garantire i risultati attesi dalle elaborazioni.

Apprendimento per rinforzo

il sistema viene predisposto per esplorare un ambiente dati dinamico ai fini di ottenere un output, in base al cui esito riceve una ricompensa, piuttosto che una penalizzazione. Gli errori diventano dunque una parte essenziale del processo di apprendimento, in quanto il sistema per evitarli migliora il proprio livello generale, puntando a raggiungere il miglior livello di ricompensa possibile. Così facendo, il sistema apprende come muoversi nell’ambiente dinamico che a priori non conosce, sulla base delle azioni corrette e di quelle da evitare.

Il fatto che l’intelligenza artificiale emuli in vari modi l’intelligenza umana è percepibile anche dal lessico che viene utilizzato nei vari contesti di informazione, che spaziano dalla letteratura scientifica alla divulgazione sulla stampa generalista. Non bisogna tuttavia fare confusione. Sarebbe infatti poco accorto e decisamente fuorviante identificare le intelligenze artificiali come sistemi senzienti. È pertanto corretto utilizzare termini come apprendere o allenare un sistema, ma non sarebbe corretto pensare che un’intelligenza artificiale proceda in maniera cosciente nelle sue attività. La valenza antropica che mette in relazione le due tipologie di intelligenza in questione va pertanto limitata anche per quanto concerne gli aspetti puramente metaforici, per non rischiare di cadere nella disinformazione.

Casi d’uso del machine learning: in azienda e a casa

Il machine Learning ha trovato applicazioni in numerosi settori aziendali e scenari domestici, dimostrando la sua versatilità e capacità di trasformare sia ambienti di lavoro che di vita quotidiana. Questo capitolo esplora alcuni degli esempi più significativi e curiosi di utilizzo del ML, offrendo uno sguardo approfondito su come questa tecnologia sta cambiando il mondo.

Applicazioni del Machine Learning in Azienda

1. Reparti Marketing

Nel marketing, il machine learning viene utilizzato per ottimizzare le campagne pubblicitarie e migliorare l’engagement dei clienti. Algoritmi di clustering possono segmentare i clienti in gruppi basati su comportamenti di acquisto e preferenze, permettendo ai marketer di targettizzare le campagne in modo più efficace. Inoltre, il ML può analizzare dati di interazione sui social media per prevedere tendenze e preferenze dei consumatori, guidando la creazione di contenuti più rilevanti e personalizzati.

2. Reparti Finance

Nel settore finanziario, il machine learning gioca un ruolo cruciale nella prevenzione delle frodi e nella gestione del rischio. Algoritmi avanzati analizzano transazioni in tempo reale per identificare comportamenti insoliti che potrebbero indicare tentativi di frode. Inoltre, il ML è impiegato nella modellazione del rischio di credito, aiutando le banche e le istituzioni finanziarie a decidere chi concedere credito e a quali condizioni.

3. Gestione delle Risorse Umane (HR)

I sistemi basati su ML possono aiutare i reparti HR a ottimizzare il processo di reclutamento. Analizzando dati storici sui candidati e i risultati delle loro performance lavorative, i modelli di ML possono identificare i tratti caratteristici dei candidati di successo, migliorando la qualità delle future assunzioni.

4. Supply Chain e Logistica

Nel settore della logistica, il machine learning facilita la previsione della domanda e l’ottimizzazione delle scorte. Modelli predittivi analizzano pattern storici di vendita e altri fattori esterni per prevedere le future necessità di stock, minimizzando così i costi di magazzino e migliorando la soddisfazione del cliente.

Applicazioni del Machine Learning in Casa

1. Assistenti Virtuali

Prodotti come Amazon Echo, Google Home e Apple HomePod utilizzano il machine learning per interpretare comandi vocali e fornire risposte pertinenti. Questi dispositivi imparano dalle interazioni passate per migliorare la loro capacità di comprendere le preferenze e le richieste degli utenti, rendendo l’esperienza d’uso sempre più fluida e personalizzata.

2. Sicurezza Domestica

Sistemi di sicurezza avanzati utilizzano il machine learning per riconoscere volti e comportamenti anomali. Questi sistemi possono distinguere tra i membri della famiglia e gli intrusi, inviando notifiche in tempo reale ai proprietari di casa in caso di attività sospette.

3. Elettrodomestici Intelligenti

Frigoriferi, lavatrici e altri apparecchi domestici sono ora capaci di apprendere dalle abitudini degli utenti per ottimizzare il loro funzionamento. Ad esempio, un frigorifero potrebbe monitorare la frequenza di acquisto e i tipi di alimenti consumati per suggerire liste della spesa o ricette.

4. Curiosità: monitoraggio del sonno

Alcuni dispositivi indossabili e applicazioni utilizzano il ML per monitorare i pattern di sonno, analizzando i movimenti e i dati fisiologici per fornire consigli personalizzati che possono migliorare la qualità del sonno dell’utente.

In conclusione, il machine learning sta avendo un impatto trasformativo sia nel contesto aziendale che domestico, migliorando l’efficienza operativa e arricchendo la vita quotidiana. Con la continua evoluzione della tecnologia e l’accumulo di dati, è probabile che vedremo ulteriori innovazioni e applicazioni emergenti in questi e altri settori.

Quale sarà il futuro del machine learning?

Mentre il machine learning continua a trasformare industrie e pratiche quotidiane, il suo futuro appare ancora più promettente con l’emergere di nuove tecnologie e l’evoluzione delle esistenti.

Integrazione con l’Internet of Things (IoT)

Il futuro del ML è strettamente legato all’espansione dell’Internet of Things. Con miliardi di dispositivi connessi che raccolgono dati su ogni aspetto delle nostre vite, il ML sarà fondamentale per analizzare e interpretare queste enormi quantità di informazioni. Ciò non solo migliorerebbe l’efficacia dei dispositivi IoT, ma permetterebbe anche innovazioni come città intelligenti, in cui traffico, servizi pubblici e sicurezza sono ottimizzati in tempo reale attraverso algoritmi di apprendimento.

Avanzamenti nel Deep Learning

Il deep learning, che attualmente richiede grandi quantità di dati e capacità computazionali elevate, potrebbe diventare più efficiente e accessibile. L’evoluzione delle architetture di rete neurale e l’adozione di nuovi paradigmi di apprendimento, come l’apprendimento federato, potrebbero permettere l’elaborazione di dati in modo più riservato e distribuito, rispettando la privacy degli utenti e riducendo la dipendenza da grandi data center.

Machine Learning accessibile e democratico

L’accesso al machine learning potrebbe diventare più democratico, grazie allo sviluppo di piattaforme user-friendly che permettono agli utenti non esperti di implementare soluzioni di ML. Questo cambiamento democratizzerebbe l’accesso alle tecnologie avanzate, permettendo a piccole imprese e individui di competere su un piano più equo con grandi aziende dotate di risorse abbondanti.

Etica e Regolamentazione

Man mano che il ML diventa più integrato nella società, aumenteranno anche le preoccupazioni relative alla privacy, alla sicurezza e all’etica. È probabile che vedremo lo sviluppo di regolamenti più rigorosi per governare l’uso dell’intelligenza artificiale, assicurando che le tecnologie di ML siano usate in modo responsabile e non discriminatorio. Questo potrebbe includere standard per la trasparenza degli algoritmi e per la protezione dei dati degli utenti.

Machine Learning e Interazione Uomo-Macchina

Il futuro del ML potrebbe anche vedere un miglioramento significativo nell’interazione uomo-macchina. Con l’evoluzione del natural language processing e delle capacità di riconoscimento visivo, le macchine diventeranno più intuitive e capaci di comprendere e anticipare le esigenze umane in modi sempre più sofisticati.

Settori Emergenti

Infine, il ML troverà nuove applicazioni in settori che fino ad ora sono stati solo marginalmente influenzati da questa tecnologia. Ad esempio, in medicina personalizzata, il ML potrebbe permettere trattamenti e diagnosi su misura basati sulle caratteristiche genetiche individuali. In ambito ambientale, potrebbe aiutare a prevedere disastri naturali con maggiore precisione, o ottimizzare l’uso delle risorse naturali per combattere il cambiamento climatico.

In conclusione, il futuro del machine learning è intriso di potenzialità rivoluzionarie che potrebbero trasformare ulteriormente il modo in cui viviamo e lavoriamo. Nonostante le sfide, le prospettive di crescita e di innovazione in questo campo sono enormi, promettendo un impatto significativo su praticamente ogni aspetto della vita moderna.

ARGOMENTI CORRELATI
Categoria: INTELLIGENZA ARTIFICIALE
colleghe di confrontano sull'estrazione di dati da un testo

Text mining: significato e applicazioni

Il Text Mining, o estrazione di testo, è il processo di trasformazione di grandi quantità di testo non strutturato in… Leggi tutto

colleghi che osservazioni lo schermo del pc sorridendo

Regressione lineare: cos’è, tipologie e importanza

La regressione lineare è uno degli strumenti statistici più diffusi per comprendere le relazioni tra due o più variabili. Applicabile… Leggi tutto

Colleghi che osservando dati su un foglio con un pc di fronte

Reti Neurali Convoluzionali (CNN): come funzionano e cosa sono

Le reti neurali convoluzionali (CNN) rappresentano una classe di reti neurali profonde, particolarmente potenti ed efficienti nel riconoscimento di pattern… Leggi tutto