Apprendimento automatico: differenze tra le versioni

Contenuto cancellato Contenuto aggiunto
m Annullata la modifica 115474715 di 37.161.55.231 (discussione) frase troppo lunga, meglio il punto
Etichetta: Annulla
Nessun oggetto della modifica
Etichette: Modifica da mobile Modifica da web per mobile
Riga 1:
[[File:Feed-forward-perceptron.svg|thumb|[[Rete neurale artificiale]] di tipo feed-forward]]
L’'''apprendimento automatico''' (notonella ancheletteratura comedi lingua anglosassone '''machine learning''') è una branca dell'[[intelligenza artificiale]] che raccoglie metodi sviluppati negli ultimi decenni del [[XX secolo]] in varie comunità scientifiche, sotto diversi nomi quali: [[statistica computazionale]], [[riconoscimento di pattern]], [[rete neurale artificiale|reti neurali artificiali]], filtraggio adattivo, teoria dei [[sistema dinamico|sistemi dinamici]], [[elaborazione delle immagini]], [[data mining]], [[algoritmo genetico|algoritmi adattivi]], ecc; che utilizza metodi [[statistica|statistici]] per migliorare la performance di un [[algoritmo]] nell'identificare pattern nei dati. Nell'ambito dell'informatica, l'apprendimento automatico è una variante alla [[Programmazione (informatica)|programmazione]] tradizionale nella quale in una macchina si predispone l'abilità di apprendere qualcosa dai dati in maniera autonoma, senza istruzioni esplicite<ref name=":0">{{Cita libro|cognome=De Mauro, Andrea.|titolo=Big data analytics : guida per iniziare a classificare e interpretare dati con il machine learning|url=https://www.worldcat.org/oclc/1065010076|accesso=2019-11-10|data=2019|editore=Apogeo|OCLC=1065010076|ISBN=9788850334780}}</ref><ref>{{Cita libro|cognome=Bishop, Christopher M.|titolo=Pattern recognition and machine learning|url=https://www.worldcat.org/oclc/71008143|accesso=2019-11-10|data=2006|editore=Springer|OCLC=71008143|ISBN=0387310738}}</ref>.
 
Arthur Samuel, che coniò il termine nel 1959<ref>{{Cita pubblicazione|autore=Arthur L. Samuel|anno=1959|titolo=Some studies in machine learning using the game of checkers|rivista=IBM Journal of research and development}}</ref>, in linea di principio identifica due approcci distinti. Il primo metodo, indicato come rete neurale, sviluppa macchine ad apprendimento automatico per impiego generale il cui comportamento è appreso da una rete di commutazione connessa casualmente, a seguito di una routine di apprendimento basata su ricompensa e punizione ([[apprendimento per rinforzo]]). Il secondo metodo, più specifico, consiste nel riprodurre l'equivalente di una rete altamente organizzata progettata per imparare solo attività specifiche. La seconda procedura, che necessita di supervisione e richiede la riprogrammazione per ogni nuova applicazione, è molto più efficiente dal punto di vista computazionale.