• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
machine-learning

Instance-based Learning e Model-based Learning

Instance-based Learning e Model-based Learning

I sistemi di machine learning possono essere classificati in base a come generalizzano. Distinguiamo gli Instance-based Learning Systems dai Model-based Learning Systems.

Questo è il terzo criterio di classificazione.

Il primo divide i sistemi di machine learning in Supervised, Unsupervised, Semisupervised e Reinforcement Learning.

Il secondo in Batch Learning Systems e Incremental (Online) Learning Systems.

Generalization: how systems create models

Prima di procede facciamo chiarezza sul termine generalizzazione.

Back to school: per preparati ad una verifica di matematica, studiavi la regola generale e ti allenavi svolgendo molteplici esercizi.

La professoressa ti proponeva poi dei problemi che non avevi mai visto prima. Qui si aprono due strade:

  • fallivi perché avevi imparato a memoria la regola generale e avresti saputo risolvere solo i problemi del libro.
  • ruscivi comunque a risolverli perché avevi generalizzato il concetto

Un sistema di machine learning funziona in modo simile.

La maggior parte dei machine learning tasks riguarda la creazione di previsioni. Prevedo ad esempio che il prezzo di un asset di borsa aumenti, o che un’abitazione costi 250.000$.

Per sviluppare un modello, gli algoritmi elaborano i dati (svolgono gli esercizi) individuando la relazione (cioé la regola) che relaziona tra loro le osservazioni: in questo modo generano previsioni.

Affinché un modello risulti performante, deve essere testato in situazioni mai viste prima: solo così è possibile stabilire quanto bene abbia generalizzato (generalize).

I principali approcci alla generalizzazione sono due: Instance-based Learning e Model-based Learning.

Instance-based Learning

Un sistema di apprendimento banale è quello mnemonico.

Un semplice modello potrebbe quindi apprendere a memoria un dato set di training samples e successivamente identificare:

  • osservazioni identiche a quelle su cui si è allenato
  • osservazioni simili, sfruttando una measure of similarity (misura di similarità)

La measure of similarity è un’entità calcolata su due osservazioni. Un esempio? La similarità di due email è misurata calcolando le parole in comune.

Questo sistema prende il nome di Instance-based learning: apprendimento mnemonico e generalizzazione su nuove istanze attraverso la measutre of similarity.

Model-based learning

Il secondo approccio alla generalizzazione è la creazione di un modello partendo da un set di training samples e l’uso dello stesso per previsioni sui nuovi dati: è il model-based learning.

Prendiamo un modello lineare come esempio.

L’equazione lineare del modello ha due parametri “Theta con zero” e “Theta con uno”:

y = θ0 + θ1x

Il valore di questi parametri deve essere appreso. Per farlo occorre definire una performance measure :

  • fitness function (utility function), misura quanto bene un modello generalizza.
  • cost function, misura invece quanto male un modello generalizza. (E’ la perfomance metric maggiormente usata)

Una cost function non fa altro che calcolare la distanza di ciascuna osservazione (ciascun data point) dal modello designato (in questo caso la retta). L’obiettivo è trovare la retta che minimizzi la distanza, correggen do il valore dei due parametri.

Un volta ultimato, il modello può essere usato per previsioni su nuovi dati: è l’inferenza (inference).

Nel prossimo post vedremo le principali problematiche legate al machine learning

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Settembre 9, 2019
Tags | machine learning

You Might Also Like

machine-learning-vs-deep-learning-spiegazione-italiano-blog-intelligenza-artificiale

Machine Learning vs Deep Learning

Settembre 24, 2020

Tensorflow Transfer Learning | Log 7 da 0 a 0,001

Dicembre 17, 2018
tensorflow-js-example-models-javascript-data-science-machine-learning-natural-language-processing

Tensorflow JS: Web Machine Learning and beyond

Marzo 19, 2020

No Comment

Please Post Your Comments & Reviews
Annulla risposta

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • Blockchain

    Patricia Merkle Trie

    Maggio 30, 2023
  • Artistic representation of a tree Blockchain

    Tree Data Structure: cos’è un Merkle Tree

    Maggio 26, 2023
  • Cover image for Bitcoin UTXO explanation post Blockchain

    UTXO: come funziona il modello Unspent Transaction Outputs

    Maggio 23, 2023
  • Blockchain

    Cos’è Ethereum

    Maggio 15, 2023
  • Blockchain Developer

    Circuito aritmetico

    Novembre 1, 2022
  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino