Apprendimento supervisionato, non supervisionato e per rinforzo
Classificherà i tre principali paradigmi del ML, esaminerà casi d'uso concreti per ciascuno e assocerà i problemi del mondo reale al tipo di apprendimento appropriato.
Apprendimento supervisionato, non supervisionato e per rinforzo è una lezione Machine Learning Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Machine Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Machine Learning Academy include 4 lezioni in totale.
Panoramica dei tre paradigmi di apprendimento
Il ML non è un’unica tecnica, ma una famiglia di tecniche, suddivisa in base al tipo di feedback da cui apprende. I tre paradigmi principali sono l’apprendimento supervisionato, non supervisionato e per rinforzo.
Apprendimento supervisionato: imparare con le etichette
L’apprendimento supervisionato utilizza esempi che hanno già la risposta corretta (un’etichetta). È alla base della maggior parte dei sistemi di ML che usa, sia per la classificazione sia per la previsione.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Casi d’uso dell’apprendimento supervisionato
L’apprendimento supervisionato è presente ovunque: filtri antispam, diagnosi mediche, valutazione del merito creditizio e riconoscimento delle immagini. In ogni caso, il modello impara da esempi etichettati del passato.
Apprendimento non supervisionato: trovare strutture nascoste
L’apprendimento non supervisionato funziona senza alcuna etichetta. L’algoritmo esplora i dati e individua autonomamente strutture nascoste, spesso tramite il clustering.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsCasi d’uso dell’apprendimento non supervisionato
L’apprendimento non supervisionato è particolarmente utile quando le etichette sono troppo costose: per raggruppare i clienti, individuare anomalie nel traffico di rete o trovare argomenti ricorrenti in migliaia di articoli.
Apprendimento per rinforzo: imparare facendo
Nell’apprendimento per rinforzo, un agente agisce in un ambiente e riceve ricompense o penalità, imparando la strategia migliore per tentativi ed errori, come nell’addestramento di un cane. 🐕
Casi d’uso dell’apprendimento per rinforzo
L’apprendimento per rinforzo ha prodotto alcuni risultati famosi: AlphaGo ha imparato a giocare a Go attraverso il gioco autonomo, i robot imparano a camminare e gli agenti imparano a guidare in simulazione.
Apprendimento autosupervisionato: un quarto paradigma
Una variante moderna è l’apprendimento autosupervisionato: sono i dati stessi a fornire le etichette. I modelli linguistici come BERT imparano prevedendo le parole mascherate in una frase.
Associare i problemi ai paradigmi
Per scegliere un paradigma, si chieda: sono disponibili delle etichette? L’output è una categoria o un numero? L’apprendimento è guidato da ricompense? Una scelta predefinita sicura è l’apprendimento supervisionato.
Apprendimento semi-supervisionato: il meglio dei due mondi
L’apprendimento semi-supervisionato combina pochi dati etichettati con molti dati non etichettati: è perfetto quando l’etichettatura è costosa, ma i dati grezzi sono abbondanti.
L’API di scikit-learn per tutti i paradigmi
scikit-learn si distingue per un’unica API coerente: si crea uno stimatore, si chiama fit() e poi predict() o transform(). Cambiare algoritmo richiede pochissimo codice.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Verifica rapida
Verifichi la comprensione dei concetti di Machine Learning con Python presentati in questa lezione.
Riepilogo della lezione
Ottimo lavoro! L’apprendimento supervisionato impara dalle etichette, quello non supervisionato individua strutture nascoste e quello per rinforzo impara dalle ricompense. Prossimo argomento: il flusso di lavoro completo del ML.
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «Apprendimento supervisionato, non supervisionato e per rinforzo» è gratuita?
Sì — il testo completo di «Apprendimento supervisionato, non supervisionato e per rinforzo» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Machine Learning Academy, passa a CoddyKit PRO. Il corso Machine Learning Academy include 4 lezioni in totale.
Cosa imparerò in «Apprendimento supervisionato, non supervisionato e per rinforzo»?
Classificherà i tre principali paradigmi del ML, esaminerà casi d'uso concreti per ciascuno e assocerà i problemi del mondo reale al tipo di apprendimento appropriato. Eserciti Machine Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Machine Learning Academy?
Non è richiesta alcuna esperienza precedente. Machine Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Apprendimento supervisionato, non supervisionato e per rinforzo»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Machine Learning Academy?
Sì. Ogni lezione Machine Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Programmazione tradizionale e machine learning
- Apprendimento supervisionato, non supervisionato e per rinforzo
- Il flusso di lavoro del ML: dai dati alla previsione
- Il ML nel mondo reale: casi d'uso e limiti