L’apprendimento supervisionato è il paradigma del machine learning in cui un modello f_\theta: \mathcal{X} \to \mathcal{Y} viene addestrato su un insieme di coppie etichettate \{(\vec{x}_i, y_i)\}_{i=1}^n per minimizzare una funzione di perdita \mathcal{L}, approssimando la funzione di mappatura sottostante tra input e output.
Task Principali
- Regressione: L’output è un valore numerico continuo. Esempio: prevedere la temperatura di un reattore chimico basandosi sulla pressione e sul tempo.
- Classificazione: L’output è una categoria discreta (etichetta). Esempio: decidere se un pezzo meccanico è “conforme” o “difettoso” basandosi su una scansione laser.
Algoritmi Comuni
- Regressione Lineare
- Regressione Logistica
- Alberi di Decisione
- Random Forest
- Support Vector Machines (SVM)
- Reti Neurali Artificiali
Processo di Addestramento
L’obiettivo è minimizzare una funzione di perdita (Loss Function), che misura l’errore tra la previsione del modello e l’etichetta reale. Il modello viene poi validato su dati “mai visti” (Test Set) per verificarne la capacità di generalizzazione.
Funzioni di perdita fondamentali
Per la regressione: \mathcal{L}_{MSE} = \frac{1}{n}\sum_{i=1}^n (y_i - \hat{y}_i)^2 \qquad \text{(Mean Squared Error)}
Per la classificazione binaria: \mathcal{L}_{BCE} = -\frac{1}{n}\sum_{i=1}^n \left[y_i \log \hat{p}_i + (1-y_i)\log(1-\hat{p}_i)\right] \qquad \text{(Binary Cross-Entropy)}
La minimizzazione avviene tipicamente tramite discesa del gradiente stocastica (SGD) o sue varianti (Adam, RMSProp).
Significato Ingegneristico
- Soft-Sensors: In ingegneria dei processi, si usano modelli supervisionati per stimare grandezze difficili da misurare in tempo reale (es. concentrazione chimica) a partire da grandezze facili da misurare (es. temperatura, flusso).
- Visione Artificiale: Robot industriali che riconoscono e afferrano oggetti specifici su un nastro trasportatore dopo essere stati addestrati su migliaia di immagini etichettate.
- Previsione dei Carichi Energetici: Gestione delle reti elettriche intelligenti (Smart Grids) prevedendo la domanda basandosi su dati storici e meteo.
Vedi anche: Apprendimento Non Supervisionato, Alberi di Decisione, Regressione Lineare, Matrice di Confusione.