CoupDeGraceCoupDeGraceCoupDeGrace{"id":14425,"date":"2023-08-04T14:15:00","date_gmt":"2023-08-04T14:15:00","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=14425"},"modified":"2023-10-03T14:19:52","modified_gmt":"2023-10-03T14:19:52","slug":"algoritmi-di-machine-learning-lapprendimento-supervisionato","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=14425","title":{"rendered":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>A cura di Pier Giuseppe Giribone<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell\u2019articolo precedente della rubrica si \u00e8 fornita una definizione di Machine Learning e si sono evidenziate le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento automatico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo articolo e i successivi verteranno su quali sono i pi\u00f9 diffusi criteri di classificazione per un algoritmo di Machine Learning. Inizieremo a parlare di come questi possono essere suddivisi in funzione del tipo di apprendimento progettato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I sistemi di apprendimento automatico possono essere classificati in accordo alla quantit\u00e0 e al tipo di supervisione che sono soggetti durante l\u2019addestramento (<em>training<\/em>).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La letteratura riconosce tipicamente quattro principali categorie: apprendimento supervisionato (<em>supervised learning<\/em>), apprendimento non supervisionato (<em>unsupervised learning<\/em>), apprendimento semi-supervisionato (<em>semisupervised learning<\/em>) e apprendimento per rinforzo (<em>reinforcement learning)<\/em>. Iniziamo a comprendere le caratteristiche fondamentali che contraddistinguono il primo tipo, che \u00e8 anche quello pi\u00f9 diffuso e utilizzato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel supervised learning, il training set impiegato per addestrare l\u2019algoritmo include le soluzioni desiderate, dette&nbsp;<em>label<\/em>. Tale metodo di apprendimento \u00e8 molto simile al processo durante il quale l\u2019essere umano apprende dalla conoscenza empirica. La metafora pi\u00f9 calzante \u00e8 quella nella quale l\u2019uomo acquisisce conoscenza nel momento in cui risolve problemi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si consideri il processo di problem-solving descritto dal flusso logico seguente:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Si seleziona un esercizio che propone la risoluzione di un problema. Viene applicata la conoscenza corrente per trovare una sua soluzione. Si compara la risposta cos\u00ec ottenuta con quella corretta fornita.<\/li>\n\n\n\n<li>Se la risposta \u00e8 errata, si modifica la conoscenza corrente<\/li>\n\n\n\n<li>Si ripetono gli step 2) e 3) per tutti gli esercizi che propongono un problema<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Se noi applicassimo una analogia tra questo esempio che illustra il processo di apprendimento umano con il processo di addestramento di un metodo ML, potremmo ritenere che gli esercizi proponenti i problemi e le relative soluzioni corrispondono al training data e la conoscenza che si va sviluppando al modello. L\u2019aspetto fondamentale per un metodo di apprendimento supervisionato \u00e8 che siano disponibili le soluzioni per i problemi proposti. Dato che le soluzioni ai problemi sui quali si fonder\u00e0 la conoscenza devono essere corrette, \u00e8 fondamentale il fatto che ci sia un supervisore che fornisca un dataset di apprendimento corretto e non distorto (<em>unbiased<\/em>).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un tipico task per un apprendimento supervisionato \u00e8 quello di&nbsp;<strong>classificazione<\/strong>. Lo spam filter \u00e8 un buon esempio: esso \u00e8 addestrato con esempi di mail regolari e non (<em>classi<\/em>) e deve imparare da queste a classificare le nuove.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un altro tipico task per un algoritmo supervisionato \u00e8 quello di predire un valore numerico target, quale ad esempio il prezzo di un\u2019auto, fornito un insieme di&nbsp;<em>feature<\/em>&nbsp;(ad esempio: chilometraggio, brand, usura\u2026) detti&nbsp;<em>predictor<\/em>. Questo task \u00e8 detto&nbsp;<strong>regressione<\/strong>. Per addestrare il sistema, si necessita di una conoscenza di fondo allargata, che include sia i predittori che le relative labels (i.e. i loro prezzi).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In un contesto creditizio, un esempio di classificazione dicotomica pu\u00f2 essere fornito da un algoritmo di Machine Learning che, una volta addestrato su un dataset di ratio patrimoniali significativi (feature) associati all\u2019informazione d\u2019interesse, ad esempio se tali aziende fossero fallite o meno (label), fornissero indicazioni utili su un eventuale possibile default di nuove istanze. L\u2019algoritmo deve stimare la classe di appartenenza (default s\u00ec\/no), interrogandolo a partire da ratio patrimoniali di una nuova azienda.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il concetto precedente pu\u00f2 essere esteso in un contesto di classificazione multi-classe. In tal caso l\u2019algoritmo di Machine Learning non fornir\u00e0 la semplice indicazione binaria default s\u00ec\/default no, ma fornir\u00e0 in uscita un livello di appartenenza secondo una scala ordinata di valori. Questa metodologia di classificazione richiama la procedura attuata dalle agenzie di rating, che associano un livello di merito creditizio all\u2019azienda presa in considerazione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lo scopo di una regressione statistica \u00e8 quello di stimare una relazione funzionale potenzialmente esistente tra la variabile dipendente (<em>label<\/em>) e delle variabili indipendenti (<em>feature<\/em>).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esistono pertanto un gran numero di esempi di potenziali applicazioni in ambito bancario: l\u2019analisi delle strutture a termine dei tassi di interesse in ambito attuariale, l\u2019analisi delle serie storiche dei ritorni di un asset in ambito econometrico, lo studio del potenziale andamento prospettico di un prezzo in funzione della pubblicazione di nuovi dati macroeconomici in ambito trading, la ricostruzione e regolarizzazione di superfici di volatilit\u00e0 per una stima maggiormente affidabile del valore di un\u2019opzione in ambito della finanza quantitativa, eccetera.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se consideriamo gli esempi precedenti, nel Supervised Learning, ciascun training dataset consiste di coppie di input e output corretti, ovvero ci\u00f2 che ci si aspetta come logica di output dal modello se si forniscono gli input corrispondenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>{input, correct output}<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019apprendimento nel supervised learning consiste nella serie di revisioni che vengono effettuate su un modello al fine di ridurre la differenza tra l\u2019output corretto e l\u2019output fornito dal modello a parit\u00e0 di dati d\u2019ingresso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se il modello \u00e8 perfettamente addestrato, produrr\u00e0 un risultato pi\u00f9 simile possibile al corretto output per un dato set di input. Sia la classificazione che la regressione sono tipi di problemi trattati impiegando questo tipo di apprendimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La classificazione determina a quale gruppo i dati di input appartengono, pertanto il \u201ccorrect output\u201d \u00e8 implementato come categoria. Al contrario, la regressione predice valori e il \u201ccorrect output\u201d \u00e8 costituito da un valore numerico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Prima di concludere \u00e8 bene chiarire la differenza intercorrente tra attributo e feature.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Come regola generale, nel Machine Learning un&nbsp;<em>attributo<\/em>&nbsp;\u00e8 un tipo di dato (ad esempio il chilometraggio), mentre una&nbsp;<em>feature<\/em>&nbsp;pu\u00f2 assumere diversi significati che dipendono dal contesto, ma generalmente si intende un attributo corredato dal suo valore (ad esempio chilometraggio = 12.000). \u00c8 per\u00f2 pratica comune usare queste due parole in modo intercambiabile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il prossimo articolo verter\u00e0 sull\u2019analisi delle caratteristiche fondamentali che contraddistinguono gli algoritmi di Machine Learning il cui apprendimento \u00e8 di tipo non supervisionato.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si \u00e8 fornita una definizione di Machine Learning e si sono evidenziate le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento automatico. Questo articolo e i successivi verteranno su quali sono i pi\u00f9 diffusi criteri di classificazione per un algoritmo di Machine Learning. Inizieremo a parlare di come questi possono essere suddivisi in funzione del tipo di apprendimento progettato. I sistemi di apprendimento automatico possono essere classificati in accordo alla quantit\u00e0 e al tipo di supervisione che sono soggetti durante l\u2019addestramento (training). La letteratura riconosce tipicamente quattro principali categorie: apprendimento supervisionato (supervised learning), apprendimento non supervisionato (unsupervised learning), apprendimento semi-supervisionato (semisupervised learning) e apprendimento per rinforzo (reinforcement learning). Iniziamo a comprendere le caratteristiche fondamentali che contraddistinguono il primo tipo, che \u00e8 anche quello pi\u00f9 diffuso e utilizzato. Nel supervised learning, il training set impiegato per addestrare l\u2019algoritmo include le soluzioni desiderate, dette&nbsp;label. Tale metodo di apprendimento \u00e8 molto simile al processo durante il quale l\u2019essere umano apprende dalla conoscenza empirica. La metafora pi\u00f9 calzante \u00e8 quella nella quale l\u2019uomo acquisisce conoscenza nel momento in cui risolve problemi. Si consideri il processo di problem-solving descritto dal flusso logico seguente: Se noi applicassimo una analogia tra questo esempio che illustra il processo di apprendimento umano con il processo di addestramento di un metodo ML, potremmo ritenere che gli esercizi proponenti i problemi e le relative soluzioni corrispondono al training data e la conoscenza che si va sviluppando al modello. L\u2019aspetto fondamentale per un metodo di apprendimento supervisionato \u00e8 che siano disponibili le soluzioni per i problemi proposti. Dato che le soluzioni ai problemi sui quali si fonder\u00e0 la conoscenza devono essere corrette, \u00e8 fondamentale il fatto che ci sia un supervisore che fornisca un dataset di apprendimento corretto e non distorto (unbiased). Un tipico task per un apprendimento supervisionato \u00e8 quello di&nbsp;classificazione. Lo spam filter \u00e8 un buon esempio: esso \u00e8 addestrato con esempi di mail regolari e non (classi) e deve imparare da queste a classificare le nuove. Un altro tipico task per un algoritmo supervisionato \u00e8 quello di predire un valore numerico target, quale ad esempio il prezzo di un\u2019auto, fornito un insieme di&nbsp;feature&nbsp;(ad esempio: chilometraggio, brand, usura\u2026) detti&nbsp;predictor. Questo task \u00e8 detto&nbsp;regressione. Per addestrare il sistema, si necessita di una conoscenza di fondo allargata, che include sia i predittori che le relative labels (i.e. i loro prezzi). In un contesto creditizio, un esempio di classificazione dicotomica pu\u00f2 essere fornito da un algoritmo di Machine Learning che, una volta addestrato su un dataset di ratio patrimoniali significativi (feature) associati all\u2019informazione d\u2019interesse, ad esempio se tali aziende fossero fallite o meno (label), fornissero indicazioni utili su un eventuale possibile default di nuove istanze. L\u2019algoritmo deve stimare la classe di appartenenza (default s\u00ec\/no), interrogandolo a partire da ratio patrimoniali di una nuova azienda. Il concetto precedente pu\u00f2 essere esteso in un contesto di classificazione multi-classe. In tal caso l\u2019algoritmo di Machine Learning non fornir\u00e0 la semplice indicazione binaria default s\u00ec\/default no, ma fornir\u00e0 in uscita un livello di appartenenza secondo una scala ordinata di valori. Questa metodologia di classificazione richiama la procedura attuata dalle agenzie di rating, che associano un livello di merito creditizio all\u2019azienda presa in considerazione. Lo scopo di una regressione statistica \u00e8 quello di stimare una relazione funzionale potenzialmente esistente tra la variabile dipendente (label) e delle variabili indipendenti (feature). Esistono pertanto un gran numero di esempi di potenziali applicazioni in ambito bancario: l\u2019analisi delle strutture a termine dei tassi di interesse in ambito attuariale, l\u2019analisi delle serie storiche dei ritorni di un asset in ambito econometrico, lo studio del potenziale andamento prospettico di un prezzo in funzione della pubblicazione di nuovi dati macroeconomici in ambito trading, la ricostruzione e regolarizzazione di superfici di volatilit\u00e0 per una stima maggiormente affidabile del valore di un\u2019opzione in ambito della finanza quantitativa, eccetera. Se consideriamo gli esempi precedenti, nel Supervised Learning, ciascun training dataset consiste di coppie di input e output corretti, ovvero ci\u00f2 che ci si aspetta come logica di output dal modello se si forniscono gli input corrispondenti. {input, correct output} L\u2019apprendimento nel supervised learning consiste nella serie di revisioni che vengono effettuate su un modello al fine di ridurre la differenza tra l\u2019output corretto e l\u2019output fornito dal modello a parit\u00e0 di dati d\u2019ingresso. Se il modello \u00e8 perfettamente addestrato, produrr\u00e0 un risultato pi\u00f9 simile possibile al corretto output per un dato set di input. Sia la classificazione che la regressione sono tipi di problemi trattati impiegando questo tipo di apprendimento. La classificazione determina a quale gruppo i dati di input appartengono, pertanto il \u201ccorrect output\u201d \u00e8 implementato come categoria. Al contrario, la regressione predice valori e il \u201ccorrect output\u201d \u00e8 costituito da un valore numerico. Prima di concludere \u00e8 bene chiarire la differenza intercorrente tra attributo e feature. Come regola generale, nel Machine Learning un&nbsp;attributo&nbsp;\u00e8 un tipo di dato (ad esempio il chilometraggio), mentre una&nbsp;feature&nbsp;pu\u00f2 assumere diversi significati che dipendono dal contesto, ma generalmente si intende un attributo corredato dal suo valore (ad esempio chilometraggio = 12.000). \u00c8 per\u00f2 pratica comune usare queste due parole in modo intercambiabile. Il prossimo articolo verter\u00e0 sull\u2019analisi delle caratteristiche fondamentali che contraddistinguono gli algoritmi di Machine Learning il cui apprendimento \u00e8 di tipo non supervisionato.<\/p>\n","protected":false},"author":1,"featured_media":14426,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[206],"tags":[],"class_list":["post-14425","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/antiriciclaggioerisk.com\/?p=14425\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si \u00e8 fornita una definizione di Machine Learning e si sono evidenziate le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento automatico. Questo articolo e i successivi verteranno su quali sono i pi\u00f9 diffusi criteri di classificazione per un algoritmo di Machine Learning. Inizieremo a parlare di come questi possono essere suddivisi in funzione del tipo di apprendimento progettato. I sistemi di apprendimento automatico possono essere classificati in accordo alla quantit\u00e0 e al tipo di supervisione che sono soggetti durante l\u2019addestramento (training). La letteratura riconosce tipicamente quattro principali categorie: apprendimento supervisionato (supervised learning), apprendimento non supervisionato (unsupervised learning), apprendimento semi-supervisionato (semisupervised learning) e apprendimento per rinforzo (reinforcement learning). Iniziamo a comprendere le caratteristiche fondamentali che contraddistinguono il primo tipo, che \u00e8 anche quello pi\u00f9 diffuso e utilizzato. Nel supervised learning, il training set impiegato per addestrare l\u2019algoritmo include le soluzioni desiderate, dette&nbsp;label. Tale metodo di apprendimento \u00e8 molto simile al processo durante il quale l\u2019essere umano apprende dalla conoscenza empirica. La metafora pi\u00f9 calzante \u00e8 quella nella quale l\u2019uomo acquisisce conoscenza nel momento in cui risolve problemi. Si consideri il processo di problem-solving descritto dal flusso logico seguente: Se noi applicassimo una analogia tra questo esempio che illustra il processo di apprendimento umano con il processo di addestramento di un metodo ML, potremmo ritenere che gli esercizi proponenti i problemi e le relative soluzioni corrispondono al training data e la conoscenza che si va sviluppando al modello. L\u2019aspetto fondamentale per un metodo di apprendimento supervisionato \u00e8 che siano disponibili le soluzioni per i problemi proposti. Dato che le soluzioni ai problemi sui quali si fonder\u00e0 la conoscenza devono essere corrette, \u00e8 fondamentale il fatto che ci sia un supervisore che fornisca un dataset di apprendimento corretto e non distorto (unbiased). Un tipico task per un apprendimento supervisionato \u00e8 quello di&nbsp;classificazione. Lo spam filter \u00e8 un buon esempio: esso \u00e8 addestrato con esempi di mail regolari e non (classi) e deve imparare da queste a classificare le nuove. Un altro tipico task per un algoritmo supervisionato \u00e8 quello di predire un valore numerico target, quale ad esempio il prezzo di un\u2019auto, fornito un insieme di&nbsp;feature&nbsp;(ad esempio: chilometraggio, brand, usura\u2026) detti&nbsp;predictor. Questo task \u00e8 detto&nbsp;regressione. Per addestrare il sistema, si necessita di una conoscenza di fondo allargata, che include sia i predittori che le relative labels (i.e. i loro prezzi). In un contesto creditizio, un esempio di classificazione dicotomica pu\u00f2 essere fornito da un algoritmo di Machine Learning che, una volta addestrato su un dataset di ratio patrimoniali significativi (feature) associati all\u2019informazione d\u2019interesse, ad esempio se tali aziende fossero fallite o meno (label), fornissero indicazioni utili su un eventuale possibile default di nuove istanze. L\u2019algoritmo deve stimare la classe di appartenenza (default s\u00ec\/no), interrogandolo a partire da ratio patrimoniali di una nuova azienda. Il concetto precedente pu\u00f2 essere esteso in un contesto di classificazione multi-classe. In tal caso l\u2019algoritmo di Machine Learning non fornir\u00e0 la semplice indicazione binaria default s\u00ec\/default no, ma fornir\u00e0 in uscita un livello di appartenenza secondo una scala ordinata di valori. Questa metodologia di classificazione richiama la procedura attuata dalle agenzie di rating, che associano un livello di merito creditizio all\u2019azienda presa in considerazione. Lo scopo di una regressione statistica \u00e8 quello di stimare una relazione funzionale potenzialmente esistente tra la variabile dipendente (label) e delle variabili indipendenti (feature). Esistono pertanto un gran numero di esempi di potenziali applicazioni in ambito bancario: l\u2019analisi delle strutture a termine dei tassi di interesse in ambito attuariale, l\u2019analisi delle serie storiche dei ritorni di un asset in ambito econometrico, lo studio del potenziale andamento prospettico di un prezzo in funzione della pubblicazione di nuovi dati macroeconomici in ambito trading, la ricostruzione e regolarizzazione di superfici di volatilit\u00e0 per una stima maggiormente affidabile del valore di un\u2019opzione in ambito della finanza quantitativa, eccetera. Se consideriamo gli esempi precedenti, nel Supervised Learning, ciascun training dataset consiste di coppie di input e output corretti, ovvero ci\u00f2 che ci si aspetta come logica di output dal modello se si forniscono gli input corrispondenti. {input, correct output} L\u2019apprendimento nel supervised learning consiste nella serie di revisioni che vengono effettuate su un modello al fine di ridurre la differenza tra l\u2019output corretto e l\u2019output fornito dal modello a parit\u00e0 di dati d\u2019ingresso. Se il modello \u00e8 perfettamente addestrato, produrr\u00e0 un risultato pi\u00f9 simile possibile al corretto output per un dato set di input. Sia la classificazione che la regressione sono tipi di problemi trattati impiegando questo tipo di apprendimento. La classificazione determina a quale gruppo i dati di input appartengono, pertanto il \u201ccorrect output\u201d \u00e8 implementato come categoria. Al contrario, la regressione predice valori e il \u201ccorrect output\u201d \u00e8 costituito da un valore numerico. Prima di concludere \u00e8 bene chiarire la differenza intercorrente tra attributo e feature. Come regola generale, nel Machine Learning un&nbsp;attributo&nbsp;\u00e8 un tipo di dato (ad esempio il chilometraggio), mentre una&nbsp;feature&nbsp;pu\u00f2 assumere diversi significati che dipendono dal contesto, ma generalmente si intende un attributo corredato dal suo valore (ad esempio chilometraggio = 12.000). \u00c8 per\u00f2 pratica comune usare queste due parole in modo intercambiabile. Il prossimo articolo verter\u00e0 sull\u2019analisi delle caratteristiche fondamentali che contraddistinguono gli algoritmi di Machine Learning il cui apprendimento \u00e8 di tipo non supervisionato.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=14425\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2023-08-04T14:15:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-03T14:19:52+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"770\" \/>\n\t<meta property=\"og:image:height\" content=\"400\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"sbs\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato\",\"datePublished\":\"2023-08-04T14:15:00+00:00\",\"dateModified\":\"2023-10-03T14:19:52+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425\"},\"wordCount\":965,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/10\\\/03-giribone.jpg\",\"articleSection\":[\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425\",\"name\":\"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/10\\\/03-giribone.jpg\",\"datePublished\":\"2023-08-04T14:15:00+00:00\",\"dateModified\":\"2023-10-03T14:19:52+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/10\\\/03-giribone.jpg\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/10\\\/03-giribone.jpg\",\"width\":770,\"height\":400},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14425#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"name\":\"Scuola Italiana Antiriciclaggio\",\"description\":\"Master e corsi con Certificazione Antiriciclaggio internazionale\",\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\",\"name\":\"European School of Banking Management\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"width\":360,\"height\":195,\"caption\":\"European School of Banking Management\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/it.linkedin.com\\\/school\\\/scuola-europea-di-formazione-bancaria\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\",\"name\":\"sbs\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"caption\":\"sbs\"},\"sameAs\":[\"https:\\\/\\\/antiriciclaggioerisk.com\"],\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?author=1\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/antiriciclaggioerisk.com\/?p=14425","og_locale":"en_US","og_type":"article","og_title":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio","og_description":"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si \u00e8 fornita una definizione di Machine Learning e si sono evidenziate le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento automatico. Questo articolo e i successivi verteranno su quali sono i pi\u00f9 diffusi criteri di classificazione per un algoritmo di Machine Learning. Inizieremo a parlare di come questi possono essere suddivisi in funzione del tipo di apprendimento progettato. I sistemi di apprendimento automatico possono essere classificati in accordo alla quantit\u00e0 e al tipo di supervisione che sono soggetti durante l\u2019addestramento (training). La letteratura riconosce tipicamente quattro principali categorie: apprendimento supervisionato (supervised learning), apprendimento non supervisionato (unsupervised learning), apprendimento semi-supervisionato (semisupervised learning) e apprendimento per rinforzo (reinforcement learning). Iniziamo a comprendere le caratteristiche fondamentali che contraddistinguono il primo tipo, che \u00e8 anche quello pi\u00f9 diffuso e utilizzato. Nel supervised learning, il training set impiegato per addestrare l\u2019algoritmo include le soluzioni desiderate, dette&nbsp;label. Tale metodo di apprendimento \u00e8 molto simile al processo durante il quale l\u2019essere umano apprende dalla conoscenza empirica. La metafora pi\u00f9 calzante \u00e8 quella nella quale l\u2019uomo acquisisce conoscenza nel momento in cui risolve problemi. Si consideri il processo di problem-solving descritto dal flusso logico seguente: Se noi applicassimo una analogia tra questo esempio che illustra il processo di apprendimento umano con il processo di addestramento di un metodo ML, potremmo ritenere che gli esercizi proponenti i problemi e le relative soluzioni corrispondono al training data e la conoscenza che si va sviluppando al modello. L\u2019aspetto fondamentale per un metodo di apprendimento supervisionato \u00e8 che siano disponibili le soluzioni per i problemi proposti. Dato che le soluzioni ai problemi sui quali si fonder\u00e0 la conoscenza devono essere corrette, \u00e8 fondamentale il fatto che ci sia un supervisore che fornisca un dataset di apprendimento corretto e non distorto (unbiased). Un tipico task per un apprendimento supervisionato \u00e8 quello di&nbsp;classificazione. Lo spam filter \u00e8 un buon esempio: esso \u00e8 addestrato con esempi di mail regolari e non (classi) e deve imparare da queste a classificare le nuove. Un altro tipico task per un algoritmo supervisionato \u00e8 quello di predire un valore numerico target, quale ad esempio il prezzo di un\u2019auto, fornito un insieme di&nbsp;feature&nbsp;(ad esempio: chilometraggio, brand, usura\u2026) detti&nbsp;predictor. Questo task \u00e8 detto&nbsp;regressione. Per addestrare il sistema, si necessita di una conoscenza di fondo allargata, che include sia i predittori che le relative labels (i.e. i loro prezzi). In un contesto creditizio, un esempio di classificazione dicotomica pu\u00f2 essere fornito da un algoritmo di Machine Learning che, una volta addestrato su un dataset di ratio patrimoniali significativi (feature) associati all\u2019informazione d\u2019interesse, ad esempio se tali aziende fossero fallite o meno (label), fornissero indicazioni utili su un eventuale possibile default di nuove istanze. L\u2019algoritmo deve stimare la classe di appartenenza (default s\u00ec\/no), interrogandolo a partire da ratio patrimoniali di una nuova azienda. Il concetto precedente pu\u00f2 essere esteso in un contesto di classificazione multi-classe. In tal caso l\u2019algoritmo di Machine Learning non fornir\u00e0 la semplice indicazione binaria default s\u00ec\/default no, ma fornir\u00e0 in uscita un livello di appartenenza secondo una scala ordinata di valori. Questa metodologia di classificazione richiama la procedura attuata dalle agenzie di rating, che associano un livello di merito creditizio all\u2019azienda presa in considerazione. Lo scopo di una regressione statistica \u00e8 quello di stimare una relazione funzionale potenzialmente esistente tra la variabile dipendente (label) e delle variabili indipendenti (feature). Esistono pertanto un gran numero di esempi di potenziali applicazioni in ambito bancario: l\u2019analisi delle strutture a termine dei tassi di interesse in ambito attuariale, l\u2019analisi delle serie storiche dei ritorni di un asset in ambito econometrico, lo studio del potenziale andamento prospettico di un prezzo in funzione della pubblicazione di nuovi dati macroeconomici in ambito trading, la ricostruzione e regolarizzazione di superfici di volatilit\u00e0 per una stima maggiormente affidabile del valore di un\u2019opzione in ambito della finanza quantitativa, eccetera. Se consideriamo gli esempi precedenti, nel Supervised Learning, ciascun training dataset consiste di coppie di input e output corretti, ovvero ci\u00f2 che ci si aspetta come logica di output dal modello se si forniscono gli input corrispondenti. {input, correct output} L\u2019apprendimento nel supervised learning consiste nella serie di revisioni che vengono effettuate su un modello al fine di ridurre la differenza tra l\u2019output corretto e l\u2019output fornito dal modello a parit\u00e0 di dati d\u2019ingresso. Se il modello \u00e8 perfettamente addestrato, produrr\u00e0 un risultato pi\u00f9 simile possibile al corretto output per un dato set di input. Sia la classificazione che la regressione sono tipi di problemi trattati impiegando questo tipo di apprendimento. La classificazione determina a quale gruppo i dati di input appartengono, pertanto il \u201ccorrect output\u201d \u00e8 implementato come categoria. Al contrario, la regressione predice valori e il \u201ccorrect output\u201d \u00e8 costituito da un valore numerico. Prima di concludere \u00e8 bene chiarire la differenza intercorrente tra attributo e feature. Come regola generale, nel Machine Learning un&nbsp;attributo&nbsp;\u00e8 un tipo di dato (ad esempio il chilometraggio), mentre una&nbsp;feature&nbsp;pu\u00f2 assumere diversi significati che dipendono dal contesto, ma generalmente si intende un attributo corredato dal suo valore (ad esempio chilometraggio = 12.000). \u00c8 per\u00f2 pratica comune usare queste due parole in modo intercambiabile. Il prossimo articolo verter\u00e0 sull\u2019analisi delle caratteristiche fondamentali che contraddistinguono gli algoritmi di Machine Learning il cui apprendimento \u00e8 di tipo non supervisionato.","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=14425","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2023-08-04T14:15:00+00:00","article_modified_time":"2023-10-03T14:19:52+00:00","og_image":[{"width":770,"height":400,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg","type":"image\/jpeg"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato","datePublished":"2023-08-04T14:15:00+00:00","dateModified":"2023-10-03T14:19:52+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425"},"wordCount":965,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg","articleSection":["News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425","url":"https:\/\/antiriciclaggioerisk.com\/?p=14425","name":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg","datePublished":"2023-08-04T14:15:00+00:00","dateModified":"2023-10-03T14:19:52+00:00","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=14425"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/10\/03-giribone.jpg","width":770,"height":400},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14425#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"Algoritmi di Machine Learning: l\u2019apprendimento supervisionato"}]},{"@type":"WebSite","@id":"https:\/\/antiriciclaggioerisk.com\/#website","url":"https:\/\/antiriciclaggioerisk.com\/","name":"Scuola Italiana Antiriciclaggio","description":"Master e corsi con Certificazione Antiriciclaggio internazionale","publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/antiriciclaggioerisk.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/antiriciclaggioerisk.com\/#organization","name":"European School of Banking Management","url":"https:\/\/antiriciclaggioerisk.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","width":360,"height":195,"caption":"European School of Banking Management"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/it.linkedin.com\/school\/scuola-europea-di-formazione-bancaria\/"]},{"@type":"Person","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453","name":"sbs","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","caption":"sbs"},"sameAs":["https:\/\/antiriciclaggioerisk.com"],"url":"https:\/\/antiriciclaggioerisk.com\/?author=1"}]}},"views":762,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14425","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=14425"}],"version-history":[{"count":1,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14425\/revisions"}],"predecessor-version":[{"id":14427,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14425\/revisions\/14427"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/14426"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14425"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14425"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14425"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}