Il machine learning è un metodo di analisi dati che automatizza la costruzione dimodelli analitici. È una branca dell'Intelligenza Artificialee si basa sull'idea che i sistemi possono imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo. I primi ricercatori interessati all'intelligenza artificiale volevano scoprire se i computer potessero apprendere dai dati. Il machine learning, l'apprendimento automatico,nasce dalla teoria che i computer possono imparare ad eseguire compiti specifici senza essere programmati per farlo, grazie al riconoscimento di schemi tra i dati. Il machine learning utilizza algoritmi che imparano dai dati in modo iterativo. Permette, ad esempio, ai computer di individuare informazioni anche sconosciute senza che venga loro segnalato esplicitamente dove cercarle. L'aspetto più importante del machine learning è la ripetitività, perché più i modelli sono esposti ai dati, più sono in grado di adattarsi in modo autonomo. I computer imparano da elaborazioni precedenti per produrre risultati e prendere decisioni che siano affidabili e replicabili. Grazie alle nuove tecnologie di elaborazione, il machine learning di oggi non è il machine learning del passato. Questa scienza non è nuova ma sta acquisendo un nuovo slancio. E sebbene molti algoritmi di machine learning siano in circolazione da molto tempo, la capacità di applicare calcoli matematici complessi ai big data è uno sviluppo più recente. Qui troverai alcuni esempi ampiamente conosciuti di utilizzo del machine learning che potrebbero suonarti familiari: Che cos'è il machine learning e perché sta diventando così popolare? Questo breve video spiega tutto ciò che devi sapere sulla tecnologia SAS - cosa fa, come funziona, e come sta influenzando il modo di fare business. Il rinnovato interesse nel machine learning è dovuto agli stessi fattori che hanno resodata mininge analisi Bayesiane più popolari che mai; ad esempio la crescita del volume e della varietà dei dati, i processi di elaborazione più economici e potenti oltre agli spazi per l'archiviazione dei dati sempre più a buon mercato. Tutto ciò significa che ora è possibile realizzare, automaticamente, modelli per l'analisi di dati più grandi e complessi, e di elaborare velocemente risultati più accurati anche su larga scala. La costruzione di modelli precisi permette alle aziende di identificare nuove opportunità di profitto o di evitare rischi non preventivati. Questo white paper O'Reilly ti offre una guida pratica all'implementazione di applicazioni machine-learning nella tua azienda. Ottieni istruzioni approfondite e accesso gratuito al software SAS per sviluppare le tue capacità di machine learning. I corsi includono: 14 ore di corso, 90 giorni di accesso gratuito al software nelcloud, un formato di e-learning flessibile, senza competenze di programmazione richieste. Questo report di Harvard Business Review Insight Center esamina come il machine learning cambierà le aziende e la loro organizzazione.Scarica il report Il machine learning può essere utilizzato per raggiungere livelli ancora più alti di efficienza, in particolare se applicato all'Internet of Things. Banche e altre aziende nell'industria finanziaria utilizzano le tecnologie di machine learning con due principali scopi: identificare le informazioni importanti nei dati e prevenire le frodi. Le informazioni possono identificare opportunità d'investimento e aiutare gli investitori a sapere quando agire. Il data mining, invece può identificare clienti con profili altamente a rischio o utilizzare la sorveglianza informatica per segnalare allarmi di possibile frode. Gli enti pubblici che si occupano ad esempio di pubblica sicurezza o dei servizi hanno particolare bisogno del machine learning, avendo a disposizione molteplici sorgenti di dati che possono essere setacciate alla ricerca di informazioni. L'analisi dei dati provenienti dai sensori, ad esempio, può svelare le modalità per aumentare l'efficienza e risparmiare denaro. Inoltre, il machine learning può aiutare a individuare le frodi e a ridurre il fenomeno dei furti d'identità. Il machine learning sta crescendo velocemente nell'industria dell'assistenza sanitaria, grazie all'avvento dei dispositivi indossabili e ai sensori che utilizzano i dati per verificare in tempo reale lo stato di salute di un paziente. Inoltre, questa tecnologia aiuta i consulenti medici nell'analisi, identificando tendenze o i segnali d'allarme che potrebbero condurre a diagnosi e a migliori trattamenti farmacologici. I siti web che consigliano gli articoli che potrebbero interessarti basandosi su acquisti fatti in precedenza utilizzano il machine learning per analizzare la cronologia dei tuoi acquisti. Il futuro del commercio al dettaglio risiede nella capacità di memorizzare, analizzare e usare i dati per personalizzare l'esperienza d'acquisto o le campagne di marketing. Trovare nuove risorse energetiche. Analizzare i minerali nel suolo. Prevedere un guasto dei sensori in raffineria. Snellire la distribuzione di petrolio per renderla più efficiente e redditizia. In questo settore il machine learning viene usato in un numero molto vasto di casi, un dato in costante aumento. L'analisi dei dati al fine di identificare schemi e tendenze è fondamentale nell'industria dei trasporti che, per incrementare il profitto, fa affidamento sulla creazione di rotte più efficienti e sulla previsione dei potenziali problemi. Gli strumenti presenti nel machine learning per l'analisi dei dati e la creazione di modelli sono utili alle società di consegne, ai trasporti pubblici e alle altre ditte di trasporto. Qualli maggiormente adottati sonol'apprendimento supervisionatoel'apprendimento non supervisionato.Ma esistono anche altri metodi di machine learning. Ecco una panoramica di quelli più noti. Apprendimento supervisionatoGli algoritmi vengono addestrati utilizzando esempi già classificati, come gli input di cui già si conoscono gli output. Ad esempio, un'apparecchiatura potrebbe contenere dei dati classificati con "F" (failed) o "R" (runs). L'algoritmo di apprendimento impara abbinando input ad output corrispondenti (F con F, R con R), compara i risultati per trovare gli errori e poi modifica il modello di conseguenza. Attraverso metodologie come classificazione, regressione, previsione egradient boosting, l'apprendimento supervisionato utilizza i modelli per prevedere il valore da utilizzare ai dati non ancora classificati. L'apprendimento supervisionato è comunemente utilizzato in applicazioni dove i dati storici sono in grado di predire possibili eventi futuri. Ad esempio può prevedere se le operazioni effettuate con alcune carte di credito possono essere fraudolente oppure quali clienti di un'azienda assicurativa potrebbero chiedere un risarcimento. Apprendimento semi supervisionatoHa le stesse applicazioni dell'apprendimento supervisionato. Ma per l'addestramento utilizza dati classificati e non: solitamente di un ridotto volume di dati classificati e un più ampio volume di dati non classificati (perché acquisire questi ultimi è più economico e meno faticoso). Questo tipo di apprendimento può essere utilizzato con metodi di classificazione, regressione e previsione. L'apprendimento semi supervisionato è utile se la classificazione ha un costo troppo alto per permettere un processo di apprendimento completamente supervisionato. Un esempio recente sono le fotocamere capaci di identificare il volto delle persone. Apprendimento non supervisionatoViene utilizzato su dati che non hanno una classificazione. Al sistema non viene quindi fornita la "risposta giusta". L'algoritmo deve scoprire cosa gli viene mostrato. L'obiettivo è quello di esplorare i dati e individuarne una qualche struttura interna. L'apprendimento non supervisionato funziona bene con i dati transazionali. Ad esempio, può individuare consumatori con caratteristiche simili a cui rivolgere campagne di marketing specifiche. O può scoprire le caratteristiche principali che differenziano segmenti di consumatori dagli altri. Alcune tecniche del momento includono mappeself-organize, mappaturenearest-neighbor, algoritmik-means clusteringedecomposizione ai valori singolari. Questi algoritmi vengono anche usati per segmentare argomenti testuali, consigliare prodotti o identificare valori anomali. Apprendimento per rinforzoSpesso viene usato in robotica, videogiochi e navigazione. Con l'apprendimento per rinforzo l'algoritmo scopre da quali azioni vengono generate le ricompense maggiori, passando per esperimenti ed errori. Questo tipo di apprendimento presenta tre componenti principali: l'agente (chi impara o prende decisioni), l'ambiente (tutto ciò con cui l'agente interagisce) e le azioni (cosa può fare l'agente). L'obiettivo dell'agente è scegliere quelle azioni che massimizzano la ricompensa prevista in un determinato lasso temporale. Scegliendo le azioni giuste, l'agente raggiungerà l'obiettivo più velocemente. Quindi l'obiettivo dell'apprendimento per rinforzo è quello di imparare quali sono le azioni migliori da attuare. Thomas H. Davenport, Analytics thought leaderexcerpt from The Wall Street Journal Sebbene tutti questi metodi abbiano un obiettivo comune, estrarre informazioni, schemi e relazioni che possono essere usati per prendere decisioni, hanno approcci e funzionalità differenti. Il data mining può essere considerato come un assortimento di metodi diversi per estrarre informazioni dai dati. Può coinvolgere metodi statistici tradizionali e machine learning. Il data mining applica metodi da molte aree differenti per identificare in anticipo schemi sconosciuti nei dati. Questo può comprendere algoritmi statistici, machine learning, text analytics, analisi delle serie temporali e altre aree ancora. Il data mining comprende anche lo studio e la messa in opera di tecniche per l'archiviazione dei dati e la loro manipolazione. L'approccio del machine learning, così come i modelli statistici