Il machine learning (ML) è alla base di alcune delle tecnologie più importanti che utilizziamo, dalle app di traduzione ai veicoli autonomi. Questo corso spiega gli aspetti fondamentali alla base dell'ML.
Il ML offre un nuovo modo di risolvere problemi, rispondere a domande complesse e creare contenuti. Il machine learning può prevedere il meteo, stimare i tempi di percorrenza, consigliare canzoni, completare automaticamente le frasi, riassumere articoli e generare mai viste prima.
In termini di base, l'ML è il processo addestramento di un software, chiamato model, per rendere utile previsioni o generare contenuti e i dati di Google Cloud.
Ad esempio, supponiamo di voler creare un'app per prevedere le precipitazioni. Potremmo o utilizzare un approccio tradizionale o ML. L'uso di un modello creare una rappresentazione fisica dell'atmosfera terrestre e superficie, calcolando enormi quantità di equazioni di dinamica dei fluidi. Questo è incredibilmente difficile.
Utilizzando un approccio ML, forniremmo a un modello ML enormi quantità di dati meteorologici fino a quando il modello di ML alla fine apprende la relazione matematica tra modelli meteorologici che producono quantità diverse di pioggia. Avremmo quindi assegnato modellare i dati meteorologici attuali per prevedere la quantità di pioggia.
Verifica le tue conoscenze
Tipi di sistemi di ML
I sistemi di ML rientrano in una o più delle seguenti categorie in base a come imparano a fare previsioni o a generare contenuti:
- Apprendimento supervisionato
- Apprendimento non supervisionato
- Apprendimento per rinforzo
- IA generativa
Apprendimento supervisionato
Apprendimento supervisionato I modelli possono fare previsioni dopo aver visto molti dati con le risposte corrette e la scoperta delle connessioni tra gli elementi nei dati produci le risposte corrette. È come se uno studente impara un nuovo materiale studiando vecchi esami che contengono sia domande che risposte. Una volta che lo studente ha addestrato su un numero sufficiente di vecchi esami, è ben pronto a sostenere un nuovo esame. Questi sistemi di ML sono "supervisionati" nel senso che un essere umano dà al sistema ML con i risultati noti corretti.
Due dei casi d'uso più comuni per l'apprendimento supervisionato sono la regressione e classificazione.
Regressione
Un modello di regressione prevede una numerico. Ad esempio, un modello meteorologico che prevede la quantità di pioggia, in pollici o millimetri, è un modello di regressione.
Consulta la tabella seguente per altri esempi di modelli di regressione:
Scenario | Possibili dati di input | Previsione numerica |
---|---|---|
Prezzo futuro della casa | Metratura, codice postale, numero di camere da letto e bagni, dimensioni del lotto tasso di interesse ipotecario, aliquota d'imposta sulle proprietà, costi di costruzione e di case in vendita nella zona. | Il prezzo della casa. |
Tempo di percorrenza futuro | Dati storici delle condizioni del traffico, raccolti da smartphone, dati del traffico sensori, ride hailing e altre applicazioni di navigazione), distanza destinazione e le condizioni meteo. | Il tempo in minuti e secondi per arrivare a una destinazione. |
Classificazione
I modelli di classificazione prevedono la probabilità che qualcosa appartenga a una categoria. A differenza dei modelli di regressione, il cui output è un numero, i modelli di classificazione restituiscono un valore che indica se qualcosa appartiene o meno a una determinata categoria. Ad esempio: i modelli di classificazione sono usati per prevedere se un'email è spam o se una foto contiene un gatto.
I modelli di classificazione sono suddivisi in due gruppi: classificazione binaria e
la classificazione multiclasse. I modelli di classificazione binaria restituiscono un valore da una
che contiene solo due valori, ad esempio un modello che restituisce
rain
o no rain
. I modelli di classificazione multiclasse restituiscono un valore da una
contenente più di due valori, ad esempio un modello in grado di generare
rain
, hail
, snow
o sleet
.
Verifica le tue conoscenze
Apprendimento non supervisionato
Apprendimento non supervisionato i modelli effettuano previsioni grazie a dati che non contengono risposte. L'obiettivo di un modello di apprendimento non supervisionato è identificare schemi ricorrenti tra i dati. In altre parole, il modello non ha suggerimenti su come classificare ogni dato, ma deve dedurre le proprie regole.
Un modello di apprendimento non supervisionato di uso comune impiega una tecnica chiamata nel clustering. Il modello trova i punti dati che delimitano i raggruppamenti naturali.
![Un'immagine che mostra punti colorati in gruppi.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-02.png?authuser=19&hl=it)
Figura 1. Un modello ML che clustera punti dati simili.
![Un'immagine che mostra punti colorati in gruppi racchiusi in una forma e confinanti l'uno con l'altro.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-04.png?authuser=19&hl=it)
Figura 2. Gruppi di cluster con demarcazioni naturali.
Il clustering è diverso dalla classificazione perché le categorie non sono definite te. Ad esempio, un modello non supervisionato potrebbe raggruppare un set di dati meteorologici in base temperatura, rivelando le segmentazioni che definiscono le stagioni. Successivamente, e provare ad assegnare un nome a questi cluster in base alle tue conoscenze sul set di dati.
![Un'immagine che mostra punti colorati in gruppi contrassegnati come neve, pioggia, grandine e nessuna pioggia.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-01.png?authuser=19&hl=it)
Figura 3. Un modello di ML che clustera pattern meteorologici simili.
![Un'immagine che mostra punti colorati in gruppi contrassegnati come neve, pioggia, grandine e nessuna pioggia, racchiusi in una forma e confinanti l'uno con l'altro.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-03.png?authuser=19&hl=it)
Figura 4. Gruppi di schemi meteorologici contrassegnati come neve, nevischio, pioggia, ma non piove.
Verifica le tue conoscenze
Apprendimento per rinforzo
Apprendimento per rinforzo i modelli fanno previsioni ottenendo premi o sanzioni basate su azioni eseguite all'interno di un ambiente. Un rinforzo di machine learning genera un criterio che definisce la strategia migliore per ottenere il maggior numero di premi.
L'apprendimento per rinforzo viene utilizzato per addestrare i robot a eseguire attività, come camminare intorno a una stanza e programmi software come AlphaGo per giocare a Go.
IA generativa
L'IA generativa è una classe di modelli che crea contenuti in base all'input dell'utente. Ad esempio, l'IA generativa può creare immagini uniche, composizioni musicali e barzellette può riassumere articoli, spiegare come eseguire un'attività o modificare una foto.
L'IA generativa può prendere una varietà di input e creare una varietà di output, come testo, immagini, audio e video. Può anche utilizzare e creare combinazioni questi elementi. Ad esempio, un modello può prendere un'immagine come input e creare un'immagine testo come output o prendere un'immagine e del testo come input e creare un video come output.
Possiamo discutere dei modelli generativi in base ai loro input e output, tipicamente scritti come "tipo di input"-to-"tipo di output". Ad esempio, di seguito è riportata una porzione elenco di alcuni input e output per i modelli generativi:
- da testo a testo
- da testo a immagine
- da testo a video
- Da testo a codice
- Sintesi vocale
- da immagine e testo a immagine
La seguente tabella elenca alcuni esempi di modelli generativi, il loro input e un esempio del possibile output:
Modello | Input | Output di esempio |
---|---|---|
da testo a testo | Chi ha inventato la gara di Le Mans? |
La 24 Ore di Le Mans è stata fondata dall'Automobile Club de l'Ouest
(ACO), un'organizzazione automobilistica fondata nel 1906. La prima gara si è svolta
il 26 e 27 maggio 1923 sul circuito di Sarthe, un percorso di 13,426 chilometri
Circuito stradale situato vicino alla città di Le Mans in Francia.
La corsa è stata originariamente concepita come un modo per promuovere l'COA e
Regione di Sarthe. Fonte: Bard |
da testo a immagine | Un polpo alieno fluttua attraverso un portale leggendo un giornale. |
![]() Fonte: Imagen |
da testo a video | Un orsacchiotto fotorealistico nuota nell'oceano a San Francisco. L'orsacchiotto va sott'acqua. L'orsacchiotto continua a nuotare sotto l'acqua con pesci colorati. Un orso panda nuota sott'acqua. |
![]() Fonte: Phenaki |
Da testo a codice | Scrivi un loop Python che esegue il loop su un elenco di numeri e stampa i numeri primi. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Fonte: Bard |
da immagine a testo | ![]() |
Questo è un fenicottero. Si trovano nei Caraibi. Fonte: Google DeepMind |
Come funziona l'IA generativa? A livello generale, i modelli generativi apprendono di pattern nei dati con l'obiettivo di produrre dati nuovi ma simili. Generative sono simili ai seguenti:
- Comici che imparano a imitare gli altri osservando i comportamenti delle persone e stile di modo di parlare
- Artisti che imparano a dipingere in uno stile particolare studiando molti dipinti in quello stile
- Cover band che imparano a suonare come un gruppo musicale specifico ascoltando tanta musica di quel gruppo
Per produrre risultati unici e creativi, i modelli generativi vengono inizialmente addestrati un approccio non supervisionato, in cui il modello impara a imitare i dati di cui addestrato. A volte il modello viene addestrato ulteriormente utilizzando apprendimento per rinforzo su dati specifici relativi alle attività che il modello chiesto di eseguire, ad esempio, riassumere un articolo o modificare una foto.
L'IA generativa è una tecnologia in rapida evoluzione con nuovi casi d'uso costantemente essere scoperti. Ad esempio, i modelli generativi aiutano le aziende a perfezionare le immagini dei prodotti di e-commerce rimuovendo automaticamente gli sfondi che distraggono o migliorare la qualità delle immagini a bassa risoluzione.