Un algoritmo di apprendimento automatico è il metodo con cui il sistema di intelligenza artificiale svolge il proprio compito, prevedendo generalmente i valori di output da dati di input specifici. I due processi principali degli algoritmi di apprendimento automatico sono la classificazione e la regressione.
Gli algoritmi di apprendimento automatico (ML) sono ampiamente classificati come supervisionati o non supervisionati. Gli algoritmi di apprendimento supervisionato hanno sia i dati di input che i dati di output desiderati forniti attraverso l'etichettatura, mentre gli algoritmi non supervisionati lavorano con dati che non sono né classificati né etichettati. Un algoritmo non supervisionato potrebbe, ad esempio, raggruppare dati non ordinati in base a somiglianze e differenze.
Tuttavia, molti approcci di ML, inclusi l'apprendimento del trasferimento e l'apprendimento attivo, coinvolgono quelli che sono descritti più accuratamente come algoritmi semi-supervisionati. L'apprendimento trasferito utilizza la conoscenza acquisita dal completamento di un'attività per aiutare a risolvere un problema diverso ma correlato, mentre l'apprendimento attivo consente a un algoritmo di interrogare l'utente o qualche altra fonte per ulteriori informazioni. Entrambi i sistemi sono comunemente usati in situazioni in cui i dati etichettati sono scarsi.
L'apprendimento per rinforzo, a volte considerato una quarta categoria, si basa sul premiare i comportamenti desiderati e / o punire quelli indesiderati per indirizzare l'apprendimento automatico senza supervisione attraverso premi e penalità.
Guarda un tutorial sugli algoritmi di machine learning: