Algoritmi intelligenza artificale

in Intelligenza Artificiale

Intelligenza Artificiale e Algoritmi

Reading Time: 2 minutes

Nell’ambito dello sviluppo di applicazioni basate sull’intelligenza artificiale sono numerosi gli algoritmi che possono essere utilizzati in fase di apprendimento. L’apprendimento, infatti, è una componente fondamentale per permettere ad un dispositivo di prendere una decisione in autonomia.

Nel post precedente abbiamo affrontato una breve introduzione al machine learning.

Dopo una fase iniziale di apprendimento, un software dovrebbe migliorare le proprie prestazioni in termini di riconoscimento e performance decisionali. Solo se ciò avviene, siamo in presenza di algoritmi di intelligenza artificiale.

Generalmente, un algoritmo di apprendimento viene scelto in base al tipo di obiettivo che deve essere raggiunto. Gli obiettivi più comuni sono:

  • classificazione: dato un insieme in input, vengono generate predizioni su categorie di appartenenza dei dati e/o categorie di appartenenza
  • regressione: data una serie di valori in input, viene predetto un valore in output
  • individuare anomalie: dato un dataset, vengono individuati eventuali dati anomali

Nel corso di questo post verranno analizzati alcuni algoritmi utilizzati all’interno di progetti di intelligenza artificiale.

Classificatori bayesiani

Sfruttando il teorema di Bayes, utilizzano il calcolo delle probabilità per poter ottenere la probabilità che un evento si verifichi, analizzando le probabilità di un altro evento, la cui probabilità è nota. Questo tipo di algoritmo è spesso utilizzato all’interno di sistemi di classificazione come, ad esempio, i classificatori di spam. Dopo un periodo di addestramento iniziale, il classificatore bayesiano riceve in ingresso il testo della mail da analizzare ed in base alla ricorrenza di parole/testo precedentemente classificato, consente di stabilire se si tratta di spam oppure no. Evidentemente il training è basato sull’analisi di messaggi di spam analizzati in precedenza.

Support Vector Machines

Fondamentalmente si tratta di classificatori binari. Suddividendo oggetti in due insiemi ben definiti, consentono di definire se un nuovo oggetto fa parte di uno o dell’altro insieme. Dopo una fase iniziale di apprendimento, basato su un’insieme di elementi posizionati all’interno di uno o dell’altro insieme, questo tipo di algoritmi consentono di attribuire ai nuovi oggi uno o l’altro insieme.

Alberi Decisionali

Basano il loro funzionamento su una struttura ad albero. Ogni stato è rappresentato dalle “foglie” dell’albero, mentre i “rami” sono i possibili percorsi che possono essere effettuati per raggiungere lo stato (“foglia”). La scelta decisionale viene compiuta analizzando i percorsi che conducono ad una particolare stato: tipicamente la scelta viene compiuta analizzando il percorso più vantaggioso all’interno dell’albero.

Regressione Lineare

Semplificando di molto il concetto, la regressione lineare può essere considerata come un metodo per trovare una funzione che meglio approssima la relazione tra input e output. Graficamente viene rappresentata con una retta che passa più vicino ai punti X (input) e Y (output) dell’insieme. Viene utilizzata per predire valori futuri, come il prezzo di vendita di dispositivi, a partire da dati di vendita passati.