Informatica 5c: computer, robot e i paradigmi del machine learning

Informatica 5C

Lezione 9 pentamestre 11-04-2025 Docente: ROBERTA MIGLIORELLI LICEO SCIENTIFICO STATALE VITO VOLTERRA FabrianoComputer e robot

Computer e robot operano nell'ambito dell'informazione. Il computer è una macchina che riproduce alcuni comportamenti intelligenti di un uomo impegnato a riflettere sulla realtà. I robot sono macchine che, oltre a riprodurre alcuni comportamenti di questo tipo, riproducono anche alcuni comportamenti di un uomo impegnato a interagire con la realtà, agendo e percependo.

hub SCUOLA Protocolli di reteNel caso dell'elaborazione dell'informazione, si possono riconoscere tre tipi d'informazione:

• l'algoritmo;
• il dato;
• il problema.

hub SCUOLA Protocolli di reteSi possono avere tre tipi di elaborazione dell'informazione:

• esecuzione di algoritmi (computer esecutorio);
• gestione di dati: scrittura, memorizzazione, aggiornamento e lettura (computer gestionale);
• risoluzione di problemi (computer risolutorio) o l'inferenza sulla conoscenza (elaboratore inferenziale).

hub SCUOLA Protocolli di reteL'IA studia i computer (gli elaboratori) e i robot (gli interelaboratori) nei quali viene svolta elaborazione risolutoria o inferenziale

Informatica e Robotica

PERCEZIONE ATTRAVERSO I SENSORI

ELABORAZIONE ATTRAVERSO il computer (L'ELABORATORE)

PRODUZIONE ATTRAVERSO gli ATTUATORI

5 INFORMATICA ROBOTICA

hub SCUOLA Protocolli ut rechub SCUOLA Machine learning

CC O C BY NO SAIl machine learning

Machine Learning

Con il machine learning, le macchine possono:

• analizzare grandi quantità di dati
• identificare modelli e relazioni, apprendendo autonomamente dai dati per migliorare le proprie prestazioni nel tempo.

hub SCUOLA Protocolli di reteI tre concetti principali del machine learning sono:

• i dati (possono essere di diverso tipo e contengono le informazioni dalle quali il modello può apprendere);
• il software (strumenti, algoritmi e framework che consentono di creare e addestrare i modelli);
• l'hardware (la componente fisica).

hub SCUOLA Protocolli di reteApplicazioni pratiche Alcune applicazioni pratiche del machine learning:

• classificazione;
• regressione;
• raggruppamento;
• elaborazione del linguaggio naturale;
• visione artificiale.

hub SCUOLA Protocolli di reteParadigmi del Machine Learning

hub SCUOLAL'approccio classico all'informatica prevede che un uomo fornisca alla macchina un algoritmo capace di risolvere un problema. Nel tempo si è sviluppato un approccio diverso, che consiste nel fornire invece alla macchina un algoritmo con il quale costruire un altro algoritmo capace di risolvere un problema (Machine Learning).

hub SCUOLA Protocolli di reteInput + Program Output Figura 1: Programmazione tradizionale

Input + Output Program Figura 2: Machine learning

hub SCUOLA Protocolli di reteNegli algoritmi di machine learning si parte da:

• un dataset (input e output) Con l'obiettivo di costruire, o in gergo addestrare (fase di training), un modello matematico specifico.

hub SCUOLA Protocolli di reteLe features sono ciò che propriamente definisce un determinato soggetto ren- dendolo distinguibile dagli altri. Una di queste colonne (target) rappresenta la variabile dipendente, cioè quella che si vuole indagare con l'algoritmo, e può contenere un valore numerico (nei problemi di regressione, vedi pag. 342) o categorico (nei problemi di classificazio- ne, vedi pag. 341). ESEMPIO Ogni singolo essere umano è diverso poiché ha una combinazione di features che lo ren- de unico rispetto agli altri. La stessa cosa avviene per case, fiori, immagini e tutto ciò che ci circonda. Lo schema generico di un dataset è rappresentato nella tabella seguente. Soggetto Feature 1 Feature 2 Feature 3 ... Target 1 n n n ... a 2 n n n ... b 3 n n n ... C

hub SCUOLA PrcUtilizzo dell'algoritmo Dati 80% 20% Analisi del problema Addestramento dell'algoritmo di ML Test dell'algoritmo × Analisi dell'errore

hub SCUOLA Protocolli di reteIn base al tipo di apprendimento della risoluzione del problema, i diversi algoritmi ML possono essere divisi in:

• Modelli algebrico - statistici
• Reti neurali artificiali

hub SCUOLA Protocolli di reteNel machine learning, per addestrare un modello ci sono tre principali paradigmi di apprendimento:

• il supervised learning
• l' unsupervised learning
• il reinforcement learning.

hub SCUOLA Protocolli di reteSupervised Learning

Supervised Learning

Il Supervised Learning e un paradigma di machine learning in cui il modello viene addestrato su un dataset di addestramento contenente coppie di input e output corrispondenti. Formalmente, il set di addestramento e costituito da P vettori di input e i corrispondenti vettori di output. In fase di addestramento c'è un supervisore che mostra i giusti risultati che il modello dovrebbe ottenere in risposta agli input.

hub SCUOLA Protocolli di reteProblemi comuni con Supervised Learning

Problemi Comuni con Supervised Learning

Problemi di Classificazione: l'obiettivo e assegnare oggetti a categorie specifiche. Es: distinguere email spam da email legittime.

Problemi di Regressione: l'obiettivo e prevedere un valore numerico continuo basato su un insieme di caratteristiche di input. Es: prevedere il prezzo di una casa in base alle sue caratteristiche, come la dimensione, il numero di stanze e la posizione.

hub SCUOLA Protocolli di reteProblemi comuni con Supervised Learning

Classificazione con Supervised Learning

Classificazione Albero decisionale DATASET DECISION TREE-1 DECISION TREE-1 DECISION TREE-1 1 1 1 RESULT-1 RESULT-2 RESULT-N 1 MAJORITY VOTING / AVERAGING 1

hub SCUOLA Protocolli di rete FINAL RESULTProblemi comuni con Supervised Learning

Regressione con Supervised Learning

Regressione 50 - Regressore Lineare . Campioni VARIABILE DIPENDENTE 40 - : 30 ¿ 20 - 10 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 VARIABILE INDIPENDENTE

hub SCUOLA Protocolli di reteUnsupervised Learning

Unsupervised Learning

L'Unsupervised Learning è un paradigma di machine learning che coinvolge un set di dati di addestramento costituito solo da input, senza etichette di output corrispondenti. L'algoritmo di apprendimento deve identificare autonomamente la struttura nei dati senza il feedback esterno fornito dai valori di output.

hub SCUOLA Protocolli di reteProblemi comuni con Unsupervised Learning

Problemi di Clustering

Problemi di Clustering: l'obiettivo è identificare somiglianze tra gli elementi nel set di addestramento e organizzarli in gruppi o cluster in modo che gli oggetti all'interno di ciascun cluster siano il più simili possibile tra loro, mentre gli oggetti in cluster diversi siano il più dissimili possibile. Es: Nella pratica, ad esempio, si potrebbe utilizzare il clustering per raggruppare clienti con interessi simili per scopi di marketing.

hub SCUOLA Protocolli di reteProblemi comuni con Unsupervised Learning

Clustering con Unsupervised Learning

Problemi di Clustering: 7 0 6 5 0 00 4 0 O 3 2 C 1 8 ¢ 09 80 0 0 -1 0 -2 0 2 4 6 8 10

hub SCUOLA Protocolli di rete 0Problemi comuni con Unsupervised Learning

Riduzione della Dimensionalità

Problemi di riduzione della dimensionalità: l'obiettivo è rappresentare un gruppo di dati in uno spazio a dimensioni inferiori rispetto a quello di partenza, mantenendo al contempo le informazioni più rilevanti del dataset originale. Questo è utile nella pratica per affrontare problemi come il rumore nei dati, per semplificare la visualizzazione dei dati o per ridurre il carico computazionale.

hub SCUOLA Protocolli di reteProblemi comuni con Unsupervised Learning

Riduzione della Dimensionalità: Analisi delle Componenti Principali

Riduzione della dimensionalità Analisi delle componenti principali (ACP) 2.6 GRECO Banana Albicocca secca Mela 1.6 Floreale T 0.6 Pesca Ananas Vaniglia Nocciola -1.4 FALANGHINA FIANO -2.4 -1.4 -0.4 0.6 1.6 2.6

hub SCUOLA Protocolli di rete Componente 1 (54.63%) Componente 2 (45.37%) -0.4 MieleReinforcement Learning (RL)

Reinforcement Learning (RL)

Il Reinforcement Learning è una branca dell'apprendimento automatico in cui un agente impara ad agire in un ambiente in continua evoluzione per massimizzare una ricompensa cumulativa. L'agente prende decisioni sequenziali, interagendo con l'ambiente attraverso azioni, e riceve feedback sotto forma di ricompensa. L'obiettivo è trovare una strategia che massimizzi la somma delle ricompense ottenute nel tempo.

hub SCUOLA Protocolli di reteReinforcement Learning (RL)

Elementi Chiave del Reinforcement Learning

Elementi chiave:

• Stati (S): diverse situazioni in cui l'agente può trovarsi nell'ambiente.
• Azioni (A): possibili scelte che l'agente può fare in ciascuno stato.
• Funzione di Transizione (P): probabilità che l'ambiente passi da uno stato all'altro in seguito a un'azione dell'agente.
• Ricompensa (R): misura di gratificazione o penalità che l'agente riceve per ciascuna transizione di stato. Es: l'addestramento di un robot per camminare. Lo stato dell'ambiente potrebbe rappresentare la posizione e l'orientamento del robot, mentre le azioni potrebbero essere i movimenti disponibili delle articolazioni del robot. La ricompensa potrebbe essere basata sulla distanza percorsa dal robot senza cadere.

hub SCUOLA Protocolli di reteE ChatGPT dove lo mettiamo? Le intelligenze artificiali generative, come ChatGPT, possono essere identificate principalmente nel paradigma del supervised learning. In questo paradigma, il modello viene addestrato su un ampio corpus di testo etichettato, dove ogni input (testo precedente) è associato a un output desiderato (testo successivo). L'obiettivo è insegnare al modello a generare output coerenti e pertinenti in risposta a una data richiesta o contesto. Durante l'addestramento, il modello apprende i modelli probabilistici che governano la struttura e il contenuto del testo, nonché le relazioni semantiche tra le parole e le frasi. Successivamente, durante l'uso in tempo reale, il modello genera testo continuando questa sequenza di apprendimento supervisionato, producendo risposte basate sulle informazioni apprese durante l'addestramento. Sebbene il supervised learning sia il paradigma predominante per le intelligenze artificiali generative come ChatGPT, è importante notare che possono essere coinvolte anche altre tecniche di machine learning, come l'unsupervised learning per la pre-elaborazione dei dati (pensate ad esempio al van- taggio di riuscire a ridurre la dimensione dei dati necessari all'addestramento) o il reinforcement learning per raffinare le risposte in base al feedback ricevuto durante l'interazione con gli utenti, cosa hut che permette il continuo sviluppo ed evoluzione del modello anche fuori dalla fase di addestramento.