CoupDeGraceCoupDeGraceCoupDeGrace{"id":14903,"date":"2023-12-15T08:49:00","date_gmt":"2023-12-15T08:49:00","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=14903"},"modified":"2024-01-09T08:52:22","modified_gmt":"2024-01-09T08:52:22","slug":"lapprendimento-non-supervisionato-negli-algoritmi-di-machine-learning","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=14903","title":{"rendered":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">A cura di Pier Giuseppe Giribone<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell\u2019articolo precedente di questa rubrica, abbiamo trattato i paradigmi di calcolo connessi con l\u2019apprendimento supervisionato in un sistema di Machine Learning. Questo articolo prosegue la trattazione, continuando a illustrare i criteri di classificazione pi\u00f9 diffusi basati sulle tipologie di apprendimento, focalizzandosi in particolare sull\u2019apprendimento non supervisionato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A differenza di un problema di Supervised Learning, il training dataset di un algoritmo di tipo Unsupervised Learning contiene solo gli input, senza la specifica degli output corretti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Queste metodologie sono generalmente impiegate per investigare le caratteristiche dei dati e per la loro pre-elaborazione (preprocessing).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019apprendimento non supervisionato pu\u00f2 essere paragonato all\u2019azione di uno studente che si limita ad organizzare i problemi in base alla loro struttura e attributi intrinseci, senza concettualizzare il metodo di risoluzione, non conoscendo gli output corretti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell\u2019Unsupervised Learning, il training dataset non possiede quindi etichette: il sistema cerca di apprendere senza un insegnante.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per esempio, supponiamo di avere un gran numero di dati sui visitatori di un blog. Potremmo impiegare un algoritmo di raggruppamento (clustering) che cerca di individuare gruppi di visitatori simili, al fine di attribuire un nuovo visitatore a un gruppo esistente, costruendo connessioni all\u2019interno dei dati senza ricorrere a supervisione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ad esempio, l\u2019algoritmo potrebbe identificare che il 60% dei visitatori di un blog di auto d\u2019epoca sono persone di et\u00e0 compresa tra i 40 e i 50 anni che tendono a fruire dei nuovi post nel tardo pomeriggio, mentre la rubrica dedicata alle moto da corsa \u00e8 seguita principalmente da un pubblico pi\u00f9 giovane, di et\u00e0 compresa tra i 15 e i 25 anni, che visita il sito nel primo pomeriggio, probabilmente dopo le lezioni scolastiche. Queste informazioni sono preziose per il webmaster, che pu\u00f2 scegliere gli orari pi\u00f9 opportuni per la pubblicazione dei post o il tipo di pubblicit\u00e0 da proporre a segmenti di visitatori con caratteristiche differenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un esempio in ambiente bancario potrebbe essere quello legato alla segmentazione della clientela: l\u2019analisi pu\u00f2 basarsi su et\u00e0, patrimonio, frequenza degli investimenti e altre variabili ritenute significative per individuare quali prodotti di investimento siano pi\u00f9 interessanti per i diversi cluster. In base a queste preferenze, si possono proporre nuove offerte affini al medesimo target o prodotti gi\u00e0 emessi a clienti con caratteristiche e abitudini simili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al clustering vengono spesso associati algoritmi di visualizzazione grafica dei risultati ottenuti. Questi vengono rappresentati in due o tre dimensioni e consentono una comprensione rapida ed intuitiva dell\u2019organizzazione dei dati, con la possibilit\u00e0 di evidenziare pattern anomali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un altro compito gestibile con algoritmi non supervisionati \u00e8 la riduzione della dimensionalit\u00e0, il cui obiettivo \u00e8 quello di semplificare i dati senza perdere troppe informazioni rilevanti. Un approccio \u00e8 quello di combinare pi\u00f9 caratteristiche correlate in una unica. Ad esempio, nel compito supervisionato della regressione dei prezzi delle auto, si potrebbe considerare che il chilometraggio sia fortemente correlato all\u2019et\u00e0 del veicolo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In ambito bancario, per valutare un immobile messo a garanzia di un prestito, il suo codice di avviamento postale \u00e8 spesso fortemente correlato alla posizione geografica; quindi, il numero di variabili che influenzano il prezzo dell\u2019immobile pu\u00f2 essere ridotto in maniera ragionevole. Questo processo \u00e8 noto come estrazione delle caratteristiche (feature extraction) e rientra nella pre-elaborazione dei dati prima che siano elaborati da un modello predittivo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 spesso considerata una buona pratica cercare di ridurre le dimensioni dei dati di addestramento impiegando un algoritmo di questo tipo, prima di applicarne uno supervisionato di Machine Learning. Di conseguenza, si risparmia tempo di calcolo, i dati occupano meno memoria e spesso i risultati prodotti sono migliori.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sempre in questa categoria di problemi risolvibili con un algoritmo di apprendimento automatico non supervisionato si cita l\u2019anomaly detection, utile per scoprire transazioni anomale al fine di prevenire frodi, rilevare difetti nei prodotti industriali o, pi\u00f9 in generale, rimuovere valori anomali (outlier) da un set di dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019idea di base \u00e8 che se durante la fase di apprendimento non supervisionato vengono presentate al sistema principalmente istanze normali, questo impara a riconoscerle; di conseguenza, quando si presenta una nuova istanza, il sistema pu\u00f2 valutare se assomiglia a una normale o se presenta caratteristiche anomale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un compito affine \u00e8 quello della novelty detection, il cui scopo \u00e8 rilevare nuove istanze che appaiono differenti da tutte quelle utilizzate nel training set. Questo richiede un training set molto \u201cpulito\u201d, privo di qualsiasi istanza che si vorrebbe l\u2019algoritmo rilevasse.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Infine, un altro compito non supervisionato comune \u00e8 quello dell\u2019association rule learning, nel quale l\u2019obiettivo \u00e8 esplorare grandi quantit\u00e0 di dati per trovare relazioni interessanti tra gli attributi. Per esempio, l\u2019analisi dei log delle vendite di un negozio di bricolage potrebbe evidenziare che i clienti interessati all\u2019acquisto di attrezzi per il giardinaggio (come le cesoie) acquistano frequentemente anche attrezzi di protezione (come i guanti). Il sistema di apprendimento automatico potrebbe quindi suggerire la convenienza di posizionare questi oggetti vicini, in quanto spesso acquistati insieme.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Analogamente, in un contesto bancario, un cliente che investe regolarmente in obbligazioni strutturate potrebbe essere anche potenzialmente interessato ai certificati di investimento, che combinano una componente obbligazionaria con una strategia di opzioni. Tale correlazione potrebbe essere sottolineata da un consulente finanziario in seguito a una segnalazione automatica di un algoritmo non supervisionato basato su regole di associazione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il prossimo articolo tratter\u00e0 le ultime due principali categorie di algoritmi basati sull\u2019apprendimento: il semi-supervised learning e il reinforcement learning.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente di questa rubrica, abbiamo trattato i paradigmi di calcolo connessi con l\u2019apprendimento supervisionato in un sistema di Machine Learning. Questo articolo prosegue la trattazione, continuando a illustrare i criteri di classificazione pi\u00f9 diffusi basati sulle tipologie di apprendimento, focalizzandosi in particolare sull\u2019apprendimento non supervisionato. A differenza di un problema di Supervised Learning, il training dataset di un algoritmo di tipo Unsupervised Learning contiene solo gli input, senza la specifica degli output corretti. Queste metodologie sono generalmente impiegate per investigare le caratteristiche dei dati e per la loro pre-elaborazione (preprocessing). L\u2019apprendimento non supervisionato pu\u00f2 essere paragonato all\u2019azione di uno studente che si limita ad organizzare i problemi in base alla loro struttura e attributi intrinseci, senza concettualizzare il metodo di risoluzione, non conoscendo gli output corretti. Nell\u2019Unsupervised Learning, il training dataset non possiede quindi etichette: il sistema cerca di apprendere senza un insegnante. Per esempio, supponiamo di avere un gran numero di dati sui visitatori di un blog. Potremmo impiegare un algoritmo di raggruppamento (clustering) che cerca di individuare gruppi di visitatori simili, al fine di attribuire un nuovo visitatore a un gruppo esistente, costruendo connessioni all\u2019interno dei dati senza ricorrere a supervisione. Ad esempio, l\u2019algoritmo potrebbe identificare che il 60% dei visitatori di un blog di auto d\u2019epoca sono persone di et\u00e0 compresa tra i 40 e i 50 anni che tendono a fruire dei nuovi post nel tardo pomeriggio, mentre la rubrica dedicata alle moto da corsa \u00e8 seguita principalmente da un pubblico pi\u00f9 giovane, di et\u00e0 compresa tra i 15 e i 25 anni, che visita il sito nel primo pomeriggio, probabilmente dopo le lezioni scolastiche. Queste informazioni sono preziose per il webmaster, che pu\u00f2 scegliere gli orari pi\u00f9 opportuni per la pubblicazione dei post o il tipo di pubblicit\u00e0 da proporre a segmenti di visitatori con caratteristiche differenti. Un esempio in ambiente bancario potrebbe essere quello legato alla segmentazione della clientela: l\u2019analisi pu\u00f2 basarsi su et\u00e0, patrimonio, frequenza degli investimenti e altre variabili ritenute significative per individuare quali prodotti di investimento siano pi\u00f9 interessanti per i diversi cluster. In base a queste preferenze, si possono proporre nuove offerte affini al medesimo target o prodotti gi\u00e0 emessi a clienti con caratteristiche e abitudini simili. Al clustering vengono spesso associati algoritmi di visualizzazione grafica dei risultati ottenuti. Questi vengono rappresentati in due o tre dimensioni e consentono una comprensione rapida ed intuitiva dell\u2019organizzazione dei dati, con la possibilit\u00e0 di evidenziare pattern anomali. Un altro compito gestibile con algoritmi non supervisionati \u00e8 la riduzione della dimensionalit\u00e0, il cui obiettivo \u00e8 quello di semplificare i dati senza perdere troppe informazioni rilevanti. Un approccio \u00e8 quello di combinare pi\u00f9 caratteristiche correlate in una unica. Ad esempio, nel compito supervisionato della regressione dei prezzi delle auto, si potrebbe considerare che il chilometraggio sia fortemente correlato all\u2019et\u00e0 del veicolo. In ambito bancario, per valutare un immobile messo a garanzia di un prestito, il suo codice di avviamento postale \u00e8 spesso fortemente correlato alla posizione geografica; quindi, il numero di variabili che influenzano il prezzo dell\u2019immobile pu\u00f2 essere ridotto in maniera ragionevole. Questo processo \u00e8 noto come estrazione delle caratteristiche (feature extraction) e rientra nella pre-elaborazione dei dati prima che siano elaborati da un modello predittivo. \u00c8 spesso considerata una buona pratica cercare di ridurre le dimensioni dei dati di addestramento impiegando un algoritmo di questo tipo, prima di applicarne uno supervisionato di Machine Learning. Di conseguenza, si risparmia tempo di calcolo, i dati occupano meno memoria e spesso i risultati prodotti sono migliori. Sempre in questa categoria di problemi risolvibili con un algoritmo di apprendimento automatico non supervisionato si cita l\u2019anomaly detection, utile per scoprire transazioni anomale al fine di prevenire frodi, rilevare difetti nei prodotti industriali o, pi\u00f9 in generale, rimuovere valori anomali (outlier) da un set di dati. L\u2019idea di base \u00e8 che se durante la fase di apprendimento non supervisionato vengono presentate al sistema principalmente istanze normali, questo impara a riconoscerle; di conseguenza, quando si presenta una nuova istanza, il sistema pu\u00f2 valutare se assomiglia a una normale o se presenta caratteristiche anomale. Un compito affine \u00e8 quello della novelty detection, il cui scopo \u00e8 rilevare nuove istanze che appaiono differenti da tutte quelle utilizzate nel training set. Questo richiede un training set molto \u201cpulito\u201d, privo di qualsiasi istanza che si vorrebbe l\u2019algoritmo rilevasse. Infine, un altro compito non supervisionato comune \u00e8 quello dell\u2019association rule learning, nel quale l\u2019obiettivo \u00e8 esplorare grandi quantit\u00e0 di dati per trovare relazioni interessanti tra gli attributi. Per esempio, l\u2019analisi dei log delle vendite di un negozio di bricolage potrebbe evidenziare che i clienti interessati all\u2019acquisto di attrezzi per il giardinaggio (come le cesoie) acquistano frequentemente anche attrezzi di protezione (come i guanti). Il sistema di apprendimento automatico potrebbe quindi suggerire la convenienza di posizionare questi oggetti vicini, in quanto spesso acquistati insieme. Analogamente, in un contesto bancario, un cliente che investe regolarmente in obbligazioni strutturate potrebbe essere anche potenzialmente interessato ai certificati di investimento, che combinano una componente obbligazionaria con una strategia di opzioni. Tale correlazione potrebbe essere sottolineata da un consulente finanziario in seguito a una segnalazione automatica di un algoritmo non supervisionato basato su regole di associazione. Il prossimo articolo tratter\u00e0 le ultime due principali categorie di algoritmi basati sull\u2019apprendimento: il semi-supervised learning e il reinforcement learning.<\/p>\n","protected":false},"author":1,"featured_media":14904,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[214,206],"tags":[],"class_list":["post-14903","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-antiriciclaggio-compliance","category-news"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - 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=14903\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente di questa rubrica, abbiamo trattato i paradigmi di calcolo connessi con l\u2019apprendimento supervisionato in un sistema di Machine Learning. Questo articolo prosegue la trattazione, continuando a illustrare i criteri di classificazione pi\u00f9 diffusi basati sulle tipologie di apprendimento, focalizzandosi in particolare sull\u2019apprendimento non supervisionato. A differenza di un problema di Supervised Learning, il training dataset di un algoritmo di tipo Unsupervised Learning contiene solo gli input, senza la specifica degli output corretti. Queste metodologie sono generalmente impiegate per investigare le caratteristiche dei dati e per la loro pre-elaborazione (preprocessing). L\u2019apprendimento non supervisionato pu\u00f2 essere paragonato all\u2019azione di uno studente che si limita ad organizzare i problemi in base alla loro struttura e attributi intrinseci, senza concettualizzare il metodo di risoluzione, non conoscendo gli output corretti. Nell\u2019Unsupervised Learning, il training dataset non possiede quindi etichette: il sistema cerca di apprendere senza un insegnante. Per esempio, supponiamo di avere un gran numero di dati sui visitatori di un blog. Potremmo impiegare un algoritmo di raggruppamento (clustering) che cerca di individuare gruppi di visitatori simili, al fine di attribuire un nuovo visitatore a un gruppo esistente, costruendo connessioni all\u2019interno dei dati senza ricorrere a supervisione. Ad esempio, l\u2019algoritmo potrebbe identificare che il 60% dei visitatori di un blog di auto d\u2019epoca sono persone di et\u00e0 compresa tra i 40 e i 50 anni che tendono a fruire dei nuovi post nel tardo pomeriggio, mentre la rubrica dedicata alle moto da corsa \u00e8 seguita principalmente da un pubblico pi\u00f9 giovane, di et\u00e0 compresa tra i 15 e i 25 anni, che visita il sito nel primo pomeriggio, probabilmente dopo le lezioni scolastiche. Queste informazioni sono preziose per il webmaster, che pu\u00f2 scegliere gli orari pi\u00f9 opportuni per la pubblicazione dei post o il tipo di pubblicit\u00e0 da proporre a segmenti di visitatori con caratteristiche differenti. Un esempio in ambiente bancario potrebbe essere quello legato alla segmentazione della clientela: l\u2019analisi pu\u00f2 basarsi su et\u00e0, patrimonio, frequenza degli investimenti e altre variabili ritenute significative per individuare quali prodotti di investimento siano pi\u00f9 interessanti per i diversi cluster. In base a queste preferenze, si possono proporre nuove offerte affini al medesimo target o prodotti gi\u00e0 emessi a clienti con caratteristiche e abitudini simili. Al clustering vengono spesso associati algoritmi di visualizzazione grafica dei risultati ottenuti. Questi vengono rappresentati in due o tre dimensioni e consentono una comprensione rapida ed intuitiva dell\u2019organizzazione dei dati, con la possibilit\u00e0 di evidenziare pattern anomali. Un altro compito gestibile con algoritmi non supervisionati \u00e8 la riduzione della dimensionalit\u00e0, il cui obiettivo \u00e8 quello di semplificare i dati senza perdere troppe informazioni rilevanti. Un approccio \u00e8 quello di combinare pi\u00f9 caratteristiche correlate in una unica. Ad esempio, nel compito supervisionato della regressione dei prezzi delle auto, si potrebbe considerare che il chilometraggio sia fortemente correlato all\u2019et\u00e0 del veicolo. In ambito bancario, per valutare un immobile messo a garanzia di un prestito, il suo codice di avviamento postale \u00e8 spesso fortemente correlato alla posizione geografica; quindi, il numero di variabili che influenzano il prezzo dell\u2019immobile pu\u00f2 essere ridotto in maniera ragionevole. Questo processo \u00e8 noto come estrazione delle caratteristiche (feature extraction) e rientra nella pre-elaborazione dei dati prima che siano elaborati da un modello predittivo. \u00c8 spesso considerata una buona pratica cercare di ridurre le dimensioni dei dati di addestramento impiegando un algoritmo di questo tipo, prima di applicarne uno supervisionato di Machine Learning. Di conseguenza, si risparmia tempo di calcolo, i dati occupano meno memoria e spesso i risultati prodotti sono migliori. Sempre in questa categoria di problemi risolvibili con un algoritmo di apprendimento automatico non supervisionato si cita l\u2019anomaly detection, utile per scoprire transazioni anomale al fine di prevenire frodi, rilevare difetti nei prodotti industriali o, pi\u00f9 in generale, rimuovere valori anomali (outlier) da un set di dati. L\u2019idea di base \u00e8 che se durante la fase di apprendimento non supervisionato vengono presentate al sistema principalmente istanze normali, questo impara a riconoscerle; di conseguenza, quando si presenta una nuova istanza, il sistema pu\u00f2 valutare se assomiglia a una normale o se presenta caratteristiche anomale. Un compito affine \u00e8 quello della novelty detection, il cui scopo \u00e8 rilevare nuove istanze che appaiono differenti da tutte quelle utilizzate nel training set. Questo richiede un training set molto \u201cpulito\u201d, privo di qualsiasi istanza che si vorrebbe l\u2019algoritmo rilevasse. Infine, un altro compito non supervisionato comune \u00e8 quello dell\u2019association rule learning, nel quale l\u2019obiettivo \u00e8 esplorare grandi quantit\u00e0 di dati per trovare relazioni interessanti tra gli attributi. Per esempio, l\u2019analisi dei log delle vendite di un negozio di bricolage potrebbe evidenziare che i clienti interessati all\u2019acquisto di attrezzi per il giardinaggio (come le cesoie) acquistano frequentemente anche attrezzi di protezione (come i guanti). Il sistema di apprendimento automatico potrebbe quindi suggerire la convenienza di posizionare questi oggetti vicini, in quanto spesso acquistati insieme. Analogamente, in un contesto bancario, un cliente che investe regolarmente in obbligazioni strutturate potrebbe essere anche potenzialmente interessato ai certificati di investimento, che combinano una componente obbligazionaria con una strategia di opzioni. Tale correlazione potrebbe essere sottolineata da un consulente finanziario in seguito a una segnalazione automatica di un algoritmo non supervisionato basato su regole di associazione. Il prossimo articolo tratter\u00e0 le ultime due principali categorie di algoritmi basati sull\u2019apprendimento: il semi-supervised learning e il reinforcement learning.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=14903\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2023-12-15T08:49:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-01-09T08:52:22+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.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=14903#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning\",\"datePublished\":\"2023-12-15T08:49:00+00:00\",\"dateModified\":\"2024-01-09T08:52:22+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903\"},\"wordCount\":895,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/Giribone-settembre.jpg\",\"articleSection\":[\"Antiriciclaggio e Compliance\",\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903\",\"name\":\"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/Giribone-settembre.jpg\",\"datePublished\":\"2023-12-15T08:49:00+00:00\",\"dateModified\":\"2024-01-09T08:52:22+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/Giribone-settembre.jpg\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/Giribone-settembre.jpg\",\"width\":770,\"height\":400},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14903#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning\"}]},{\"@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":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - 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=14903","og_locale":"en_US","og_type":"article","og_title":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - Scuola Italiana Antiriciclaggio","og_description":"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente di questa rubrica, abbiamo trattato i paradigmi di calcolo connessi con l\u2019apprendimento supervisionato in un sistema di Machine Learning. Questo articolo prosegue la trattazione, continuando a illustrare i criteri di classificazione pi\u00f9 diffusi basati sulle tipologie di apprendimento, focalizzandosi in particolare sull\u2019apprendimento non supervisionato. A differenza di un problema di Supervised Learning, il training dataset di un algoritmo di tipo Unsupervised Learning contiene solo gli input, senza la specifica degli output corretti. Queste metodologie sono generalmente impiegate per investigare le caratteristiche dei dati e per la loro pre-elaborazione (preprocessing). L\u2019apprendimento non supervisionato pu\u00f2 essere paragonato all\u2019azione di uno studente che si limita ad organizzare i problemi in base alla loro struttura e attributi intrinseci, senza concettualizzare il metodo di risoluzione, non conoscendo gli output corretti. Nell\u2019Unsupervised Learning, il training dataset non possiede quindi etichette: il sistema cerca di apprendere senza un insegnante. Per esempio, supponiamo di avere un gran numero di dati sui visitatori di un blog. Potremmo impiegare un algoritmo di raggruppamento (clustering) che cerca di individuare gruppi di visitatori simili, al fine di attribuire un nuovo visitatore a un gruppo esistente, costruendo connessioni all\u2019interno dei dati senza ricorrere a supervisione. Ad esempio, l\u2019algoritmo potrebbe identificare che il 60% dei visitatori di un blog di auto d\u2019epoca sono persone di et\u00e0 compresa tra i 40 e i 50 anni che tendono a fruire dei nuovi post nel tardo pomeriggio, mentre la rubrica dedicata alle moto da corsa \u00e8 seguita principalmente da un pubblico pi\u00f9 giovane, di et\u00e0 compresa tra i 15 e i 25 anni, che visita il sito nel primo pomeriggio, probabilmente dopo le lezioni scolastiche. Queste informazioni sono preziose per il webmaster, che pu\u00f2 scegliere gli orari pi\u00f9 opportuni per la pubblicazione dei post o il tipo di pubblicit\u00e0 da proporre a segmenti di visitatori con caratteristiche differenti. Un esempio in ambiente bancario potrebbe essere quello legato alla segmentazione della clientela: l\u2019analisi pu\u00f2 basarsi su et\u00e0, patrimonio, frequenza degli investimenti e altre variabili ritenute significative per individuare quali prodotti di investimento siano pi\u00f9 interessanti per i diversi cluster. In base a queste preferenze, si possono proporre nuove offerte affini al medesimo target o prodotti gi\u00e0 emessi a clienti con caratteristiche e abitudini simili. Al clustering vengono spesso associati algoritmi di visualizzazione grafica dei risultati ottenuti. Questi vengono rappresentati in due o tre dimensioni e consentono una comprensione rapida ed intuitiva dell\u2019organizzazione dei dati, con la possibilit\u00e0 di evidenziare pattern anomali. Un altro compito gestibile con algoritmi non supervisionati \u00e8 la riduzione della dimensionalit\u00e0, il cui obiettivo \u00e8 quello di semplificare i dati senza perdere troppe informazioni rilevanti. Un approccio \u00e8 quello di combinare pi\u00f9 caratteristiche correlate in una unica. Ad esempio, nel compito supervisionato della regressione dei prezzi delle auto, si potrebbe considerare che il chilometraggio sia fortemente correlato all\u2019et\u00e0 del veicolo. In ambito bancario, per valutare un immobile messo a garanzia di un prestito, il suo codice di avviamento postale \u00e8 spesso fortemente correlato alla posizione geografica; quindi, il numero di variabili che influenzano il prezzo dell\u2019immobile pu\u00f2 essere ridotto in maniera ragionevole. Questo processo \u00e8 noto come estrazione delle caratteristiche (feature extraction) e rientra nella pre-elaborazione dei dati prima che siano elaborati da un modello predittivo. \u00c8 spesso considerata una buona pratica cercare di ridurre le dimensioni dei dati di addestramento impiegando un algoritmo di questo tipo, prima di applicarne uno supervisionato di Machine Learning. Di conseguenza, si risparmia tempo di calcolo, i dati occupano meno memoria e spesso i risultati prodotti sono migliori. Sempre in questa categoria di problemi risolvibili con un algoritmo di apprendimento automatico non supervisionato si cita l\u2019anomaly detection, utile per scoprire transazioni anomale al fine di prevenire frodi, rilevare difetti nei prodotti industriali o, pi\u00f9 in generale, rimuovere valori anomali (outlier) da un set di dati. L\u2019idea di base \u00e8 che se durante la fase di apprendimento non supervisionato vengono presentate al sistema principalmente istanze normali, questo impara a riconoscerle; di conseguenza, quando si presenta una nuova istanza, il sistema pu\u00f2 valutare se assomiglia a una normale o se presenta caratteristiche anomale. Un compito affine \u00e8 quello della novelty detection, il cui scopo \u00e8 rilevare nuove istanze che appaiono differenti da tutte quelle utilizzate nel training set. Questo richiede un training set molto \u201cpulito\u201d, privo di qualsiasi istanza che si vorrebbe l\u2019algoritmo rilevasse. Infine, un altro compito non supervisionato comune \u00e8 quello dell\u2019association rule learning, nel quale l\u2019obiettivo \u00e8 esplorare grandi quantit\u00e0 di dati per trovare relazioni interessanti tra gli attributi. Per esempio, l\u2019analisi dei log delle vendite di un negozio di bricolage potrebbe evidenziare che i clienti interessati all\u2019acquisto di attrezzi per il giardinaggio (come le cesoie) acquistano frequentemente anche attrezzi di protezione (come i guanti). Il sistema di apprendimento automatico potrebbe quindi suggerire la convenienza di posizionare questi oggetti vicini, in quanto spesso acquistati insieme. Analogamente, in un contesto bancario, un cliente che investe regolarmente in obbligazioni strutturate potrebbe essere anche potenzialmente interessato ai certificati di investimento, che combinano una componente obbligazionaria con una strategia di opzioni. Tale correlazione potrebbe essere sottolineata da un consulente finanziario in seguito a una segnalazione automatica di un algoritmo non supervisionato basato su regole di associazione. Il prossimo articolo tratter\u00e0 le ultime due principali categorie di algoritmi basati sull\u2019apprendimento: il semi-supervised learning e il reinforcement learning.","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=14903","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2023-12-15T08:49:00+00:00","article_modified_time":"2024-01-09T08:52:22+00:00","og_image":[{"width":770,"height":400,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.jpg","type":"image\/jpeg"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning","datePublished":"2023-12-15T08:49:00+00:00","dateModified":"2024-01-09T08:52:22+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903"},"wordCount":895,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.jpg","articleSection":["Antiriciclaggio e Compliance","News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903","url":"https:\/\/antiriciclaggioerisk.com\/?p=14903","name":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.jpg","datePublished":"2023-12-15T08:49:00+00:00","dateModified":"2024-01-09T08:52:22+00:00","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=14903"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.jpg","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/Giribone-settembre.jpg","width":770,"height":400},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14903#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"L\u2019Apprendimento Non Supervisionato negli Algoritmi di Machine Learning"}]},{"@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":560,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14903","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=14903"}],"version-history":[{"count":1,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14903\/revisions"}],"predecessor-version":[{"id":14905,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14903\/revisions\/14905"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/14904"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14903"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14903"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14903"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}