Con supervisione

- Quando sai abbastanza sui tuoi dati, puoi aiutare la tua macchina a collegare i punti con l'apprendimento supervisionato. Nell'apprendimento supervisionato, mostri alla macchina la connessione tra diverse variabili e risultati noti. Nell'apprendimento automatico, questo è chiamato i dati di esempio etichettati e l'output corretto. Si chiama dati etichettati perché è già contrassegnato con informazioni identificative. Immagina di voler addestrare una macchina per aiutarti a prevedere quanto tempo ci vorrà per tornare a casa. Si inizierebbe creando un set di dati etichettati. Questi dati includerebbero le condizioni meteorologiche, l'ora del giorno e se si tratta di una vacanza. Questi sono i tuoi input. L'output sarebbe la quantità di tempo necessaria per tornare a casa in quel particolare giorno. In questo caso, le variabili indipendenti sarebbero l'input e la variabile dipendente sarebbe l'output. Qui si desidera utilizzare diversi algoritmi di apprendimento automatico per mappare le relazioni tra queste diverse variabili. È possibile utilizzare la regressione statistica per questo e determinare in che modo le variabili indipendenti influiscono sulla variabile dipendente. Sai intuitivamente che se fuori piove, ci vorrà più tempo per guidare a casa, ma le macchine devono fare affidamento su dati e statistiche. Devono guardare la lunghezza del tuo tragitto e confrontarlo con i dati etichettati che ha sul tempo. Vediamo come possiamo creare un modello di machine learning supervisionato per aiutarci a determinare il nostro tempo di pendolarismo. La prima cosa che vuoi fare è creare un set di allenamento. Sulla base di questo set di allenamento, la tua macchina potrebbe vedere che c'è una relazione diretta tra la quantità di pioggia e il tempo necessario per tornare a casa. Più piove, più a lungo sarai sulla strada. Potrebbe anche vedere che c'è una connessione tra il momento in cui lasci il lavoro e il tempo in cui sarai in viaggio. Più sei vicino alle 5 del pomeriggio, più tempo ci vuole per tornare a casa. Il computer trova alcune delle relazioni con i dati etichettati. Questo è l'inizio del tuo modello di dati che inizia a capire concetti come il modo in cui la pioggia influisce sul modo in cui le persone guidano. Inizia anche a vedere che ci sono più persone che viaggiano in determinati momenti della giornata. Quindi il computer prende questo set di addestramento e lo applica a un set di test dei dati. Sembra vedere se il modello in questo set di allenamento è valido quando si guardano molti più giorni. Potresti chiedere al computer di prevedere quanto tempo ci vorrà per tornare a casa ogni giorno e poi dargli un feedback su quanto fosse accurato nella sua previsione. Nel corso del tempo, la macchina imparerà e adatterà il suo modello per migliorare l'output. Il computer continuerà a ottimizzare il modello nel set di training ed è possibile apportare modifiche in base ai nuovi dati. Questo è abbastanza simile a come gli umani imparano. Pensa a quando hai imparato a guidare. Hai iniziato in un piccolo parcheggio con un adulto che ti guidava. Poi sei arrivato al punto in cui potevi guidare in modo prevedibile e sicuro in questo spazio più piccolo. Poi, una volta che hai acquisito abbastanza fiducia, ti dirigevi verso la strada aperta. Non imparerai tutto ciò che devi sapere sulla guida nel parcheggio, ma dovresti ottenere dati sufficienti per aiutarti a iniziare. È probabile che imparerai ancora molte nuove abilità e, si spera, continuerai a migliorare nel tempo fino a diventare un pilota esperto. La cosa fondamentale da ricordare è che nell'apprendimento automatico supervisionato si sa molto di più sui dati di addestramento. È possibile inserire dati etichettati nella macchina che è facilmente classificabile. Quindi con il tuo tragitto casa-lavoro sai di più sul tempo, le vacanze e l'ora del giorno. Questi dati etichettati rappresentano la differenza fondamentale tra l'apprendimento supervisionato e altre forme di apprendimento automatico.