Il Machine Learning è sempre più diffuso nonostante sia nato diversi anni fa.

Un sistema di apprendimento automatico ricava da un dataset una conoscenza non fornita a priori, descrivendo dati non forniti in precedenza. Si estrapolano informazioni facendo assunzioni sulle informazioni già conosciute, creando una classe delle ipotesi H.

Bisogna però mettere in conto anche eventuali errori, cercando di capire se esiste davvero un’ipotesi coerente e, in caso di assenza, si cerca di approssimare. In quest’ottica bisogna mediare tra fit e complessità. Si ha sempre il rischio di overfitting, cercando una precisione dei dati che magari non esiste.

Definiamo alcuni concetti base:

• task (T): il compito da apprendere.
• performance (P): la misura della bontà dell’apprendimento
• experience (E): l’esperienza su cui basare l’apprendimento.

In merito alle parti “software” distinguiamo:

• learner: la parte di programma che impara dagli esempi in modo automatico
• trainer: il dataset che fornisce esperienza al learner.

Durante l’apprendimento si estrapolano dati da istanze di addestramento o test, quindi:

• si ricevono i dati di addestramento
• il sistema impara ad estrapolare partendo da quei dati
• si ricevono dati di test su cui si estrapola

L’ipotesi da apprendere viene chiamata concetto target.

Si ha inoltre un controllo dell’esperienza da parte del learner:

• l’esperienza può essere fornita senza che esso possa interagire
• il learner può porre domande su quegli esempi che non risultano chiari

L’esperienza deve essere presentata in modo casuale.