CoupDeGraceCoupDeGraceCoupDeGrace{"id":15106,"date":"2024-03-06T11:41:16","date_gmt":"2024-03-06T11:41:16","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=15106"},"modified":"2024-03-06T11:42:23","modified_gmt":"2024-03-06T11:42:23","slug":"instance-based-e-model-based-learning","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=15106","title":{"rendered":"\u201cInstance-based\u201d e \u201cModel-based\u201d learning"},"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\">Una ulteriore modalit\u00e0 utilizzata per categorizzare sistemi che apprendono \u00e8 quella basata sul modo in cui questi sono in grado di <em>generalizzare<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La maggiorparte degli obiettivi attesi degli algoritmi di Machine Learning riguarda la loro capacit\u00e0 di fare predizioni. Questo significa che, avendo a disposizione un numero di esempi sui quali effettuare l\u2019addestramento, il sistema deve essere in grado di effettuare buone predizioni su dati nuovi, ovvero mai conosciuti in precedenza.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Riscontrare delle buone metriche di performance sui dati di addestramento (\u201c<em>in-sample<\/em>\u201d) \u00e8 sicuramente positivo, ma non sufficiente, poich\u00e9 il vero obiettivo \u00e8 quello di ottenere dei risultati attendibili sulle nuove istanze.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le misure \u201c<em>out-of-sample<\/em>\u201d rappresentano pertanto il miglior strumento per verificare se il sistema \u00e8 stato in grado di generalizzare correttamente la conoscenza acquisita durante l\u2019addestramento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sono noti due principali approcci alla generalizzazione: l\u2019<em>instance-based learning<\/em> e il <em>model-based learning<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La pi\u00f9 semplice forma di apprendimento, che ricade nella prima categoria, \u00e8 quella di imparare semplicemente \u201ca memoria\u201d. Ci\u00f2 significa che se dovessimo progettare uno spam filter che segua tale euristica, questo contrassegnerebbe spam tutte le mail esattamente identiche a quelle gi\u00e0&nbsp; classificate in questo modo da altri utenti. Probabilmente non \u00e8 la peggiore tecnica per risolvere il problema, ma certamente non la migliore.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Invece di flaggare mail che sono identitche a quelle di spam gi\u00e0 riconosciute, l\u2019algoritmo potrebbe essere programmato per contrassegnare come non buone anche le mail che sono molto simili allo spam noto. Questo modo di progettazione, ovviamente pi\u00f9 ragionevole, richiede una misura di similarit\u00e0 tra due mail.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una misura molto semplice di similarit\u00e0 potrebbe, ad esempio, essere rappresentata dal numero di parole in comune che due mail hanno: il sistema contrassegner\u00e0 con il flag di spam qualora dal confronto tra la nuova istanza e quelle gi\u00e0 note come spam emergessero molte parole in comune.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tale modo di apprendere \u00e8 detto <em>instance-based learning<\/em>: l\u2019algoritmo impara gli esempi forniti durante l\u2019addestramento nel modo pi\u00f9 fedele possibile, quindi generalizza tale conoscenza su nuovi casi usando una misura di similarit\u00e0 per la comparazione con elementi gi\u00e0 noti (o un sottoinsieme di questi).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un altro modo per generalizzare a partire da un insieme di esempi consiste nel costruire un modello matematico di una potenziale relazione sussistente tra tali esempi ed utilizzarlo al fine di effettuare predizioni. Questa modalit\u00e0 di generalizzazione \u00e8 definita <em>model-based learning<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Supponiamo di avere un insieme di dati che possiamo rappresentare mediante un grafico a dispersione (scatter plot), ovvero con con dei punti disposti su un piano cartesiano. Potrebbe essere, ad esempio, il caso della relazione esistente tra l\u2019OECD (Organization for Economic Cooperation and Development) Better Life Index (https:\/\/www.oecdbetterlifeindex.org) ed il GDP pro capite (Gross Domestic Product).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pur essendo ben noto che da solo il denaro non fa la felicit\u00e0 dell\u2019essere umano, \u00e8 per\u00f2 evidente dalle statistiche che questo pu\u00f2 essere impiegato come strumento per aiutare le persone a raggiungere questo nobile scopo, considerando ovviamente l\u2019eticit\u00e0 e il mutuo rispetto degli altri abitanti presenti e futuri del nostro pianeta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si noterebbe pertanto una linea di trend positiva tra la variabile dipendente (score dell\u2019indice, asse y del grafico) e quella indipendente (GDP pro capite, asse x del grafico). I punti si disporrebbero con una ragionevole approssimazione lungo questa linea crescente di tendenza. Il modello matematico che potrebbe idoneamente rappresentare tale relazione \u00e8 pertanto di tipo lineare. Questo pu\u00f2 essere espresso nella forma <em>Score = theta0 + theta1*GDP<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La fase descritta viene detta <em>model selection<\/em>: ovvero tra tutte le funzioni matematiche che potrebbero rappresentare la relazione tra i dati disponibili, si sceglie quella pi\u00f9 idonea. Tale scelta pu\u00f2 essere frutto dell\u2019intuizione, come nel caso appena discusso, oppure potrebbe derivare da una rigorosa dimostrazione matematica verificata sotto determinate ipotesi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ad esempio, la relazione che ci permette di calcolare il prezzo di una obbligazione a partire dal rendimento, \u00e8 basato su rigorosi principi noti della matematica finanziaria, per cui non avrebbe senso costruire un algoritmo che la apprenda direttamente dai dati empirici o mediante una intuizione di un modello rappresentativo dedotto da questi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una volta scelta la relazione che lega lo score con il GDP, si devono stabilire i valori maggiormente idonei per <em>theta0<\/em> (costante del modello lineare) e <em>theta1<\/em> (pendenza del modello lineare), ovvero quelli che rappresentano meglio il trend presente tra i dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al fine di ottenere i valori ottimali per i parametri del modello, \u00e8 necessario specificare una misura di performance. Tipicamente si pu\u00f2 sia definire una funzione di utilit\u00e0 (<em>utility function<\/em>, anche detta <em>fitness function<\/em>) che misura quanto il modello \u00e8 buono, oppure una funzione costo (<em>cost function<\/em>) che misura quanto il modello \u00e8 inidoneo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per un problema di regressione lineare, come quello presentato, tipicamente viene usata una funzione costo, che misura la distanza tra le predizioni teoriche fornite dal modello lineare e quelle che si sono effettivamente realizzate nei dati impiegati per addestarre il modello: l\u2019obiettivo \u00e8 minimizzare tale distanza.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In questo momento la procedura di apprendimento entra in gioco: vengono passati i dati per effettuare l\u2019addestramento e vengono trovati i valori per i parametri pi\u00f9 rappresentativi, ovvero quelli che consentono di generalizzare al meglio la relazione che si \u00e8 supposta essere presente tra i dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">E\u2019 bene far notare che nel caso della regressione lineare, esistono delle formule analitiche che consentono di trovare i valori per i <em>theta<\/em>: si tratta infatti di una OLS \u2013 Ordinary Least Squares.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel caso di modelli non lineari, si ricorre ad una procedura numerica, in grado di risolvere il problema di training del modello.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Terminata la fase di addestramento, si possono effettuare delle previsioni usando il modello cos\u00ec calibrato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ad esempio, supponiamo che esista un paese di cui \u00e8 noto il GDP, ma il cui score non sia stato calcolato dalla OECD.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si pu\u00f2 usare la relazione lineare <em>Score = theta0 + theta1*GDP<\/em>, sostituendo il valore della variabile indipendente (Gross Domestic Product) con quella nota del paese, utilizzare i theta stimati ed ottenere come output (ovvero come predizione) il valore della variabile dipendente, ovvero lo score interpretato dal nostro modello.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In conclusione, si pu\u00f2 osservare che l\u2019approccio pi\u00f9 comune usato dall\u2019econometria tradizionale \u00e8 l\u2019approccio model-based, nel quale, una volta scelta la relazione esistente tra i dati, viene effettuata la migliore stima per determinare i coefficienti di tale modello.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019<em>instance-based learning<\/em>, non facendo ipotesi a priori sulla forma funzionale alla quale la relazione sussistente tra i dati debba necessariamente adattarsi, ha avuto una particolare enfasi con l\u2019avvento dei nuovi paradigmi di Machine Learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Terminiamo asserendo che \u201cNon esistono pasti gratuiti\u201d: se da un lato l\u2019instance-based learning presenta una maggiore flessibilit\u00e0 nella definizione della relazione che lega i dati, in quanto non deve essere specificata a priori, \u00e8 bene evidenziare che i modelli con questo tipo di apprendimento sono maggiormente afflitti da un potenziale sovra-adattamento dei dati (<em>overfitting<\/em>) e tendono ad essere delle \u201c<em>black-box<\/em>\u201d, con una conseguente mancanza di spiegabilit\u00e0 della predizione ottenuta.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone Una ulteriore modalit\u00e0 utilizzata per categorizzare sistemi che apprendono \u00e8 quella basata sul modo in cui questi sono in grado di generalizzare. La maggiorparte degli obiettivi attesi degli algoritmi di Machine Learning riguarda la loro capacit\u00e0 di fare predizioni. Questo significa che, avendo a disposizione un numero di esempi sui quali effettuare l\u2019addestramento, il sistema deve essere in grado di effettuare buone predizioni su dati nuovi, ovvero mai conosciuti in precedenza. Riscontrare delle buone metriche di performance sui dati di addestramento (\u201cin-sample\u201d) \u00e8 sicuramente positivo, ma non sufficiente, poich\u00e9 il vero obiettivo \u00e8 quello di ottenere dei risultati attendibili sulle nuove istanze. Le misure \u201cout-of-sample\u201d rappresentano pertanto il miglior strumento per verificare se il sistema \u00e8 stato in grado di generalizzare correttamente la conoscenza acquisita durante l\u2019addestramento. Sono noti due principali approcci alla generalizzazione: l\u2019instance-based learning e il model-based learning. La pi\u00f9 semplice forma di apprendimento, che ricade nella prima categoria, \u00e8 quella di imparare semplicemente \u201ca memoria\u201d. Ci\u00f2 significa che se dovessimo progettare uno spam filter che segua tale euristica, questo contrassegnerebbe spam tutte le mail esattamente identiche a quelle gi\u00e0&nbsp; classificate in questo modo da altri utenti. Probabilmente non \u00e8 la peggiore tecnica per risolvere il problema, ma certamente non la migliore. Invece di flaggare mail che sono identitche a quelle di spam gi\u00e0 riconosciute, l\u2019algoritmo potrebbe essere programmato per contrassegnare come non buone anche le mail che sono molto simili allo spam noto. Questo modo di progettazione, ovviamente pi\u00f9 ragionevole, richiede una misura di similarit\u00e0 tra due mail. Una misura molto semplice di similarit\u00e0 potrebbe, ad esempio, essere rappresentata dal numero di parole in comune che due mail hanno: il sistema contrassegner\u00e0 con il flag di spam qualora dal confronto tra la nuova istanza e quelle gi\u00e0 note come spam emergessero molte parole in comune. Tale modo di apprendere \u00e8 detto instance-based learning: l\u2019algoritmo impara gli esempi forniti durante l\u2019addestramento nel modo pi\u00f9 fedele possibile, quindi generalizza tale conoscenza su nuovi casi usando una misura di similarit\u00e0 per la comparazione con elementi gi\u00e0 noti (o un sottoinsieme di questi). Un altro modo per generalizzare a partire da un insieme di esempi consiste nel costruire un modello matematico di una potenziale relazione sussistente tra tali esempi ed utilizzarlo al fine di effettuare predizioni. Questa modalit\u00e0 di generalizzazione \u00e8 definita model-based learning. Supponiamo di avere un insieme di dati che possiamo rappresentare mediante un grafico a dispersione (scatter plot), ovvero con con dei punti disposti su un piano cartesiano. Potrebbe essere, ad esempio, il caso della relazione esistente tra l\u2019OECD (Organization for Economic Cooperation and Development) Better Life Index (https:\/\/www.oecdbetterlifeindex.org) ed il GDP pro capite (Gross Domestic Product). Pur essendo ben noto che da solo il denaro non fa la felicit\u00e0 dell\u2019essere umano, \u00e8 per\u00f2 evidente dalle statistiche che questo pu\u00f2 essere impiegato come strumento per aiutare le persone a raggiungere questo nobile scopo, considerando ovviamente l\u2019eticit\u00e0 e il mutuo rispetto degli altri abitanti presenti e futuri del nostro pianeta. Si noterebbe pertanto una linea di trend positiva tra la variabile dipendente (score dell\u2019indice, asse y del grafico) e quella indipendente (GDP pro capite, asse x del grafico). I punti si disporrebbero con una ragionevole approssimazione lungo questa linea crescente di tendenza. Il modello matematico che potrebbe idoneamente rappresentare tale relazione \u00e8 pertanto di tipo lineare. Questo pu\u00f2 essere espresso nella forma Score = theta0 + theta1*GDP. La fase descritta viene detta model selection: ovvero tra tutte le funzioni matematiche che potrebbero rappresentare la relazione tra i dati disponibili, si sceglie quella pi\u00f9 idonea. Tale scelta pu\u00f2 essere frutto dell\u2019intuizione, come nel caso appena discusso, oppure potrebbe derivare da una rigorosa dimostrazione matematica verificata sotto determinate ipotesi. Ad esempio, la relazione che ci permette di calcolare il prezzo di una obbligazione a partire dal rendimento, \u00e8 basato su rigorosi principi noti della matematica finanziaria, per cui non avrebbe senso costruire un algoritmo che la apprenda direttamente dai dati empirici o mediante una intuizione di un modello rappresentativo dedotto da questi. Una volta scelta la relazione che lega lo score con il GDP, si devono stabilire i valori maggiormente idonei per theta0 (costante del modello lineare) e theta1 (pendenza del modello lineare), ovvero quelli che rappresentano meglio il trend presente tra i dati. Al fine di ottenere i valori ottimali per i parametri del modello, \u00e8 necessario specificare una misura di performance. Tipicamente si pu\u00f2 sia definire una funzione di utilit\u00e0 (utility function, anche detta fitness function) che misura quanto il modello \u00e8 buono, oppure una funzione costo (cost function) che misura quanto il modello \u00e8 inidoneo. Per un problema di regressione lineare, come quello presentato, tipicamente viene usata una funzione costo, che misura la distanza tra le predizioni teoriche fornite dal modello lineare e quelle che si sono effettivamente realizzate nei dati impiegati per addestarre il modello: l\u2019obiettivo \u00e8 minimizzare tale distanza. In questo momento la procedura di apprendimento entra in gioco: vengono passati i dati per effettuare l\u2019addestramento e vengono trovati i valori per i parametri pi\u00f9 rappresentativi, ovvero quelli che consentono di generalizzare al meglio la relazione che si \u00e8 supposta essere presente tra i dati. E\u2019 bene far notare che nel caso della regressione lineare, esistono delle formule analitiche che consentono di trovare i valori per i theta: si tratta infatti di una OLS \u2013 Ordinary Least Squares. Nel caso di modelli non lineari, si ricorre ad una procedura numerica, in grado di risolvere il problema di training del modello. Terminata la fase di addestramento, si possono effettuare delle previsioni usando il modello cos\u00ec calibrato. Ad esempio, supponiamo che esista un paese di cui \u00e8 noto il GDP, ma il cui score non sia stato calcolato dalla OECD. Si pu\u00f2 usare la relazione lineare Score = theta0 + theta1*GDP, sostituendo il valore della variabile indipendente (Gross Domestic Product) con quella nota del paese, utilizzare i theta stimati ed ottenere come output (ovvero come predizione) il valore della variabile dipendente, ovvero lo score interpretato dal nostro modello. In conclusione, si [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":15108,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[206],"tags":[],"class_list":["post-15106","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>\u201cInstance-based\u201d e \u201cModel-based\u201d 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=15106\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u201cInstance-based\u201d e \u201cModel-based\u201d learning - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"A cura di Pier Giuseppe Giribone Una ulteriore modalit\u00e0 utilizzata per categorizzare sistemi che apprendono \u00e8 quella basata sul modo in cui questi sono in grado di generalizzare. La maggiorparte degli obiettivi attesi degli algoritmi di Machine Learning riguarda la loro capacit\u00e0 di fare predizioni. Questo significa che, avendo a disposizione un numero di esempi sui quali effettuare l\u2019addestramento, il sistema deve essere in grado di effettuare buone predizioni su dati nuovi, ovvero mai conosciuti in precedenza. Riscontrare delle buone metriche di performance sui dati di addestramento (\u201cin-sample\u201d) \u00e8 sicuramente positivo, ma non sufficiente, poich\u00e9 il vero obiettivo \u00e8 quello di ottenere dei risultati attendibili sulle nuove istanze. Le misure \u201cout-of-sample\u201d rappresentano pertanto il miglior strumento per verificare se il sistema \u00e8 stato in grado di generalizzare correttamente la conoscenza acquisita durante l\u2019addestramento. Sono noti due principali approcci alla generalizzazione: l\u2019instance-based learning e il model-based learning. La pi\u00f9 semplice forma di apprendimento, che ricade nella prima categoria, \u00e8 quella di imparare semplicemente \u201ca memoria\u201d. Ci\u00f2 significa che se dovessimo progettare uno spam filter che segua tale euristica, questo contrassegnerebbe spam tutte le mail esattamente identiche a quelle gi\u00e0&nbsp; classificate in questo modo da altri utenti. Probabilmente non \u00e8 la peggiore tecnica per risolvere il problema, ma certamente non la migliore. Invece di flaggare mail che sono identitche a quelle di spam gi\u00e0 riconosciute, l\u2019algoritmo potrebbe essere programmato per contrassegnare come non buone anche le mail che sono molto simili allo spam noto. Questo modo di progettazione, ovviamente pi\u00f9 ragionevole, richiede una misura di similarit\u00e0 tra due mail. Una misura molto semplice di similarit\u00e0 potrebbe, ad esempio, essere rappresentata dal numero di parole in comune che due mail hanno: il sistema contrassegner\u00e0 con il flag di spam qualora dal confronto tra la nuova istanza e quelle gi\u00e0 note come spam emergessero molte parole in comune. Tale modo di apprendere \u00e8 detto instance-based learning: l\u2019algoritmo impara gli esempi forniti durante l\u2019addestramento nel modo pi\u00f9 fedele possibile, quindi generalizza tale conoscenza su nuovi casi usando una misura di similarit\u00e0 per la comparazione con elementi gi\u00e0 noti (o un sottoinsieme di questi). Un altro modo per generalizzare a partire da un insieme di esempi consiste nel costruire un modello matematico di una potenziale relazione sussistente tra tali esempi ed utilizzarlo al fine di effettuare predizioni. Questa modalit\u00e0 di generalizzazione \u00e8 definita model-based learning. Supponiamo di avere un insieme di dati che possiamo rappresentare mediante un grafico a dispersione (scatter plot), ovvero con con dei punti disposti su un piano cartesiano. Potrebbe essere, ad esempio, il caso della relazione esistente tra l\u2019OECD (Organization for Economic Cooperation and Development) Better Life Index (https:\/\/www.oecdbetterlifeindex.org) ed il GDP pro capite (Gross Domestic Product). Pur essendo ben noto che da solo il denaro non fa la felicit\u00e0 dell\u2019essere umano, \u00e8 per\u00f2 evidente dalle statistiche che questo pu\u00f2 essere impiegato come strumento per aiutare le persone a raggiungere questo nobile scopo, considerando ovviamente l\u2019eticit\u00e0 e il mutuo rispetto degli altri abitanti presenti e futuri del nostro pianeta. Si noterebbe pertanto una linea di trend positiva tra la variabile dipendente (score dell\u2019indice, asse y del grafico) e quella indipendente (GDP pro capite, asse x del grafico). I punti si disporrebbero con una ragionevole approssimazione lungo questa linea crescente di tendenza. Il modello matematico che potrebbe idoneamente rappresentare tale relazione \u00e8 pertanto di tipo lineare. Questo pu\u00f2 essere espresso nella forma Score = theta0 + theta1*GDP. La fase descritta viene detta model selection: ovvero tra tutte le funzioni matematiche che potrebbero rappresentare la relazione tra i dati disponibili, si sceglie quella pi\u00f9 idonea. Tale scelta pu\u00f2 essere frutto dell\u2019intuizione, come nel caso appena discusso, oppure potrebbe derivare da una rigorosa dimostrazione matematica verificata sotto determinate ipotesi. Ad esempio, la relazione che ci permette di calcolare il prezzo di una obbligazione a partire dal rendimento, \u00e8 basato su rigorosi principi noti della matematica finanziaria, per cui non avrebbe senso costruire un algoritmo che la apprenda direttamente dai dati empirici o mediante una intuizione di un modello rappresentativo dedotto da questi. Una volta scelta la relazione che lega lo score con il GDP, si devono stabilire i valori maggiormente idonei per theta0 (costante del modello lineare) e theta1 (pendenza del modello lineare), ovvero quelli che rappresentano meglio il trend presente tra i dati. Al fine di ottenere i valori ottimali per i parametri del modello, \u00e8 necessario specificare una misura di performance. Tipicamente si pu\u00f2 sia definire una funzione di utilit\u00e0 (utility function, anche detta fitness function) che misura quanto il modello \u00e8 buono, oppure una funzione costo (cost function) che misura quanto il modello \u00e8 inidoneo. Per un problema di regressione lineare, come quello presentato, tipicamente viene usata una funzione costo, che misura la distanza tra le predizioni teoriche fornite dal modello lineare e quelle che si sono effettivamente realizzate nei dati impiegati per addestarre il modello: l\u2019obiettivo \u00e8 minimizzare tale distanza. In questo momento la procedura di apprendimento entra in gioco: vengono passati i dati per effettuare l\u2019addestramento e vengono trovati i valori per i parametri pi\u00f9 rappresentativi, ovvero quelli che consentono di generalizzare al meglio la relazione che si \u00e8 supposta essere presente tra i dati. E\u2019 bene far notare che nel caso della regressione lineare, esistono delle formule analitiche che consentono di trovare i valori per i theta: si tratta infatti di una OLS \u2013 Ordinary Least Squares. Nel caso di modelli non lineari, si ricorre ad una procedura numerica, in grado di risolvere il problema di training del modello. Terminata la fase di addestramento, si possono effettuare delle previsioni usando il modello cos\u00ec calibrato. Ad esempio, supponiamo che esista un paese di cui \u00e8 noto il GDP, ma il cui score non sia stato calcolato dalla OECD. Si pu\u00f2 usare la relazione lineare Score = theta0 + theta1*GDP, sostituendo il valore della variabile indipendente (Gross Domestic Product) con quella nota del paese, utilizzare i theta stimati ed ottenere come output (ovvero come predizione) il valore della variabile dipendente, ovvero lo score interpretato dal nostro modello. In conclusione, si [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=15106\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2024-03-06T11:41:16+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-03-06T11:42:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.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=15106#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"\u201cInstance-based\u201d e \u201cModel-based\u201d learning\",\"datePublished\":\"2024-03-06T11:41:16+00:00\",\"dateModified\":\"2024-03-06T11:42:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106\"},\"wordCount\":1142,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/03\\\/Instance-based-e-model-based-learning.jpg\",\"articleSection\":[\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106\",\"name\":\"\u201cInstance-based\u201d e \u201cModel-based\u201d learning - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/03\\\/Instance-based-e-model-based-learning.jpg\",\"datePublished\":\"2024-03-06T11:41:16+00:00\",\"dateModified\":\"2024-03-06T11:42:23+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/03\\\/Instance-based-e-model-based-learning.jpg\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/03\\\/Instance-based-e-model-based-learning.jpg\",\"width\":770,\"height\":400},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15106#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u201cInstance-based\u201d e \u201cModel-based\u201d 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":"\u201cInstance-based\u201d e \u201cModel-based\u201d 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=15106","og_locale":"en_US","og_type":"article","og_title":"\u201cInstance-based\u201d e \u201cModel-based\u201d learning - Scuola Italiana Antiriciclaggio","og_description":"A cura di Pier Giuseppe Giribone Una ulteriore modalit\u00e0 utilizzata per categorizzare sistemi che apprendono \u00e8 quella basata sul modo in cui questi sono in grado di generalizzare. La maggiorparte degli obiettivi attesi degli algoritmi di Machine Learning riguarda la loro capacit\u00e0 di fare predizioni. Questo significa che, avendo a disposizione un numero di esempi sui quali effettuare l\u2019addestramento, il sistema deve essere in grado di effettuare buone predizioni su dati nuovi, ovvero mai conosciuti in precedenza. Riscontrare delle buone metriche di performance sui dati di addestramento (\u201cin-sample\u201d) \u00e8 sicuramente positivo, ma non sufficiente, poich\u00e9 il vero obiettivo \u00e8 quello di ottenere dei risultati attendibili sulle nuove istanze. Le misure \u201cout-of-sample\u201d rappresentano pertanto il miglior strumento per verificare se il sistema \u00e8 stato in grado di generalizzare correttamente la conoscenza acquisita durante l\u2019addestramento. Sono noti due principali approcci alla generalizzazione: l\u2019instance-based learning e il model-based learning. La pi\u00f9 semplice forma di apprendimento, che ricade nella prima categoria, \u00e8 quella di imparare semplicemente \u201ca memoria\u201d. Ci\u00f2 significa che se dovessimo progettare uno spam filter che segua tale euristica, questo contrassegnerebbe spam tutte le mail esattamente identiche a quelle gi\u00e0&nbsp; classificate in questo modo da altri utenti. Probabilmente non \u00e8 la peggiore tecnica per risolvere il problema, ma certamente non la migliore. Invece di flaggare mail che sono identitche a quelle di spam gi\u00e0 riconosciute, l\u2019algoritmo potrebbe essere programmato per contrassegnare come non buone anche le mail che sono molto simili allo spam noto. Questo modo di progettazione, ovviamente pi\u00f9 ragionevole, richiede una misura di similarit\u00e0 tra due mail. Una misura molto semplice di similarit\u00e0 potrebbe, ad esempio, essere rappresentata dal numero di parole in comune che due mail hanno: il sistema contrassegner\u00e0 con il flag di spam qualora dal confronto tra la nuova istanza e quelle gi\u00e0 note come spam emergessero molte parole in comune. Tale modo di apprendere \u00e8 detto instance-based learning: l\u2019algoritmo impara gli esempi forniti durante l\u2019addestramento nel modo pi\u00f9 fedele possibile, quindi generalizza tale conoscenza su nuovi casi usando una misura di similarit\u00e0 per la comparazione con elementi gi\u00e0 noti (o un sottoinsieme di questi). Un altro modo per generalizzare a partire da un insieme di esempi consiste nel costruire un modello matematico di una potenziale relazione sussistente tra tali esempi ed utilizzarlo al fine di effettuare predizioni. Questa modalit\u00e0 di generalizzazione \u00e8 definita model-based learning. Supponiamo di avere un insieme di dati che possiamo rappresentare mediante un grafico a dispersione (scatter plot), ovvero con con dei punti disposti su un piano cartesiano. Potrebbe essere, ad esempio, il caso della relazione esistente tra l\u2019OECD (Organization for Economic Cooperation and Development) Better Life Index (https:\/\/www.oecdbetterlifeindex.org) ed il GDP pro capite (Gross Domestic Product). Pur essendo ben noto che da solo il denaro non fa la felicit\u00e0 dell\u2019essere umano, \u00e8 per\u00f2 evidente dalle statistiche che questo pu\u00f2 essere impiegato come strumento per aiutare le persone a raggiungere questo nobile scopo, considerando ovviamente l\u2019eticit\u00e0 e il mutuo rispetto degli altri abitanti presenti e futuri del nostro pianeta. Si noterebbe pertanto una linea di trend positiva tra la variabile dipendente (score dell\u2019indice, asse y del grafico) e quella indipendente (GDP pro capite, asse x del grafico). I punti si disporrebbero con una ragionevole approssimazione lungo questa linea crescente di tendenza. Il modello matematico che potrebbe idoneamente rappresentare tale relazione \u00e8 pertanto di tipo lineare. Questo pu\u00f2 essere espresso nella forma Score = theta0 + theta1*GDP. La fase descritta viene detta model selection: ovvero tra tutte le funzioni matematiche che potrebbero rappresentare la relazione tra i dati disponibili, si sceglie quella pi\u00f9 idonea. Tale scelta pu\u00f2 essere frutto dell\u2019intuizione, come nel caso appena discusso, oppure potrebbe derivare da una rigorosa dimostrazione matematica verificata sotto determinate ipotesi. Ad esempio, la relazione che ci permette di calcolare il prezzo di una obbligazione a partire dal rendimento, \u00e8 basato su rigorosi principi noti della matematica finanziaria, per cui non avrebbe senso costruire un algoritmo che la apprenda direttamente dai dati empirici o mediante una intuizione di un modello rappresentativo dedotto da questi. Una volta scelta la relazione che lega lo score con il GDP, si devono stabilire i valori maggiormente idonei per theta0 (costante del modello lineare) e theta1 (pendenza del modello lineare), ovvero quelli che rappresentano meglio il trend presente tra i dati. Al fine di ottenere i valori ottimali per i parametri del modello, \u00e8 necessario specificare una misura di performance. Tipicamente si pu\u00f2 sia definire una funzione di utilit\u00e0 (utility function, anche detta fitness function) che misura quanto il modello \u00e8 buono, oppure una funzione costo (cost function) che misura quanto il modello \u00e8 inidoneo. Per un problema di regressione lineare, come quello presentato, tipicamente viene usata una funzione costo, che misura la distanza tra le predizioni teoriche fornite dal modello lineare e quelle che si sono effettivamente realizzate nei dati impiegati per addestarre il modello: l\u2019obiettivo \u00e8 minimizzare tale distanza. In questo momento la procedura di apprendimento entra in gioco: vengono passati i dati per effettuare l\u2019addestramento e vengono trovati i valori per i parametri pi\u00f9 rappresentativi, ovvero quelli che consentono di generalizzare al meglio la relazione che si \u00e8 supposta essere presente tra i dati. E\u2019 bene far notare che nel caso della regressione lineare, esistono delle formule analitiche che consentono di trovare i valori per i theta: si tratta infatti di una OLS \u2013 Ordinary Least Squares. Nel caso di modelli non lineari, si ricorre ad una procedura numerica, in grado di risolvere il problema di training del modello. Terminata la fase di addestramento, si possono effettuare delle previsioni usando il modello cos\u00ec calibrato. Ad esempio, supponiamo che esista un paese di cui \u00e8 noto il GDP, ma il cui score non sia stato calcolato dalla OECD. Si pu\u00f2 usare la relazione lineare Score = theta0 + theta1*GDP, sostituendo il valore della variabile indipendente (Gross Domestic Product) con quella nota del paese, utilizzare i theta stimati ed ottenere come output (ovvero come predizione) il valore della variabile dipendente, ovvero lo score interpretato dal nostro modello. In conclusione, si [&hellip;]","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=15106","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2024-03-06T11:41:16+00:00","article_modified_time":"2024-03-06T11:42:23+00:00","og_image":[{"width":770,"height":400,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.jpg","type":"image\/jpeg"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"\u201cInstance-based\u201d e \u201cModel-based\u201d learning","datePublished":"2024-03-06T11:41:16+00:00","dateModified":"2024-03-06T11:42:23+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106"},"wordCount":1142,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.jpg","articleSection":["News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106","url":"https:\/\/antiriciclaggioerisk.com\/?p=15106","name":"\u201cInstance-based\u201d e \u201cModel-based\u201d learning - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.jpg","datePublished":"2024-03-06T11:41:16+00:00","dateModified":"2024-03-06T11:42:23+00:00","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=15106"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.jpg","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/03\/Instance-based-e-model-based-learning.jpg","width":770,"height":400},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15106#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"\u201cInstance-based\u201d e \u201cModel-based\u201d 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":737,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15106","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=15106"}],"version-history":[{"count":1,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15106\/revisions"}],"predecessor-version":[{"id":15107,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15106\/revisions\/15107"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/15108"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=15106"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=15106"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=15106"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}