Apprendimento supervisionato base maturità

Cos'è l'apprendimento supervisionato?

È un approccio di machine learning in cui il modello apprende da dati etichettati.

Esempi di dati etichettati?

Immagini con categorie, vendite con prezzi, email con spam/non spam.

Qual è l'obiettivo principale?

Prevedere l'output corretto per nuovi dati in base agli esempi passati.

Verità o falsità: Il supervised learning non richiede dati etichettati.

Falso: Richiede sempre dati etichettati per l'addestramento.

Quali sono le componenti di un modello?

Input, output, funzione di costo, e algoritmo di apprendimento.

Cos'è un campione nel contesto dell'apprendimento supervisionato?

Un campione è un'istanza di dati utilizzata per addestrare o testare il modello.

Vero o falso: I dati devono essere perfetti per un buon modello.

Falso: I dati imperfetti possono comunque dare risultati utili.

Che cosa si intende per overfitting?

Quando un modello si adatta troppo ai dati di addestramento e non generalizza.

Qual è la differenza tra classificazione e regressione?

Classificazione: prevede categorie. Regressione: prevede valori continui.

Cos'è una funzione di costo?

Misura l'errore tra le previsioni del modello e i valori reali.

Come si migliora un modello?

Utilizzando più dati, ottimizzando i parametri, o cambiando l'algoritmo.

Esempio di applicazione:

Riconoscimento facciale, previsioni di vendita, diagnosi medica.

Qual è il ruolo del training set?

Serve per addestrare il modello con dati etichettati.

Cos'è un'epoca nel training di un modello?

Un'epoca è un ciclo completo attraverso il training set.

Perché è importante la validazione?

Permette di testare il modello su dati non visti per valutare la generalizzazione.

Compila il vuoto: Un modello deve essere __ per essere utile.

generalizzabile.

Qual è l'algoritmo di classificazione più comune?

L'algoritmo di classificazione più comune è l'Algoritmo K-Nearest Neighbors (KNN).

Vero o falso: gli alberi decisionali sono sempre complessi.

Falso: gli alberi decisionali possono essere semplici o complessi, a seconda della profondità.

Completa: La regressione lineare cerca di ...

... trovare la migliore retta che minimizza l'errore quadratico tra i punti.

Cosa fa un modello di Support Vector Machine?

Trova un iperpiano che massimizza il margine tra le classi nei dati.

Confronta KNN e regressione logistica.

KNN è non parametrico e classifica in base ai vicini. La regressione logistica è parametrica e modella le probabilità.

Qual è la funzione di perdita nella regressione lineare?

La funzione di perdita è l'errore quadratico medio (MSE): $\displaystyle MSE = \frac{1}{n} imes ext{somma} (y_i - ilde{y}_i)^2$.

Vero o falso: gli algoritmi ensemble migliorano la precisione.

Vero: combinano più modelli per ridurre l'errore e migliorare le performance.

Qual è l'algoritmo di apprendimento supervisionato per le raccomandazioni?

Collaborative Filtering è un algoritmo comune per le raccomandazioni basato sulle preferenze degli utenti.

Cos'è un albero decisionale?

Un albero decisionale è un modello che usa una struttura ad albero per prendere decisioni basate su domande sui dati.

Esempio di applicazione della regressione.

Utilizzata per prevedere il prezzo delle case in base a variabili come dimensione e posizione.

Riempi il vuoto: Le reti neurali sono ispirate ...

... al funzionamento del cervello umano e usano neuroni artificiali.

Qual è il principio alla base del metodo K-Nearest Neighbors?

Classifica un punto in base alla maggioranza dei suoi K vicini più prossimi.

Cosa misura l'accuratezza di un modello?

L'accuratezza misura la proporzione di previsioni corrette. Formula: $\displaystyle Accuratezza = \frac{Vero Positivi + Vero Negativi}{Totale}$.

Precisione vs Richiamo: differenze?

Precisione: correttezza delle previsioni positive. Richiamo: capacità di identificare tutte le istanze positive. - Precisione alta = pochi falsi positivi. - Richiamo alto = pochi falsi negativi.

Qual è la funzione della matrice di confusione?

La matrice di confusione riassume le prestazioni del modello, evidenziando i veri e falsi positivi e negativi in forma tabellare.

Falso positivo: cosa significa?

Un falso positivo è un errore in cui il modello prevede erroneamente un evento positivo quando è negativo.

Cos'è il punteggio F1?

Il punteggio F1 è la media armonica di precisione e richiamo. Formula: $\displaystyle F1 = 2 \cdot \frac{Precisione \cdot Richiamo}{Precisione + Richiamo}$.

Cosa rappresenta l'AUC?

L'AUC (Area Under Curve) misura la capacità del modello di separare le classi. Un AUC di 1 indica perfetta separazione.

Cos'è il overfitting?

L'overfitting si verifica quando un modello è troppo complesso e si adatta troppo ai dati di addestramento, perdendo generalizzazione.

Qual è la differenza tra validazione e test?

La validazione ottimizza i parametri del modello. Il test valuta le prestazioni finali su un set di dati separato.

Cosa indica il coefficiente di determinazione R²?

R² indica la proporzione di varianza spiegata dal modello. Un R² vicino a 1 indica un buon adattamento ai dati.

Quando usare la cross-validation?

La cross-validation viene utilizzata per valutare l'affidabilità del modello minimizzando l'overfitting e massimizzando l'uso dei dati.

Cos'è il Mean Absolute Error (MAE)?

Il MAE misura la media degli errori assoluti tra le previsioni e i valori reali. Formula: $\displaystyle MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|$.

Qual è l'importanza della normalizzazione dei dati?

La normalizzazione rende le feature comparabili, migliora la convergenza degli algoritmi di apprendimento e riduce il rischio di bias.

Riconoscimento facciale → Applicazione?

Sì, utilizzato nella sicurezza e nelle fotografie. Permette l'identificazione automatica di volti.

Vero o falso: La diagnostica medica usa l'apprendimento supervisionato.

Vero. È usato per diagnosticare malattie analizzando sintomi e immagini mediche.

Previsione delle vendite → Metodo?

Utilizza modelli di regressione per prevedere i ricavi futuri basandosi su dati storici.

Spam detection → Come funziona?

Identifica le email di spam con classificatori che analizzano parole chiave e pattern.

Classificazione delle immagini → Applicazione?

Usata in social media per taggare automaticamente le foto e nei veicoli autonomi.

Raccomandazioni di prodotti → Esempio?

Siti come Amazon usano l'apprendimento supervisionato per consigliare articoli basati su acquisti precedenti.

Qual è l'obiettivo della previsione del rischio?

Valutare la probabilità di eventi negativi, come il default di un prestito.

Causa → Effetto: Dati di comportamento → ?

Permette di personalizzare le esperienze utente, aumentando la soddisfazione e la fidelizzazione.

Cosa si utilizza per la classificazione di testi?

Modelli di machine learning, come Naive Bayes e SVM, analizzano i contenuti testuali.

Vero o falso: L'apprendimento supervisionato non si utilizza nel settore automobilistico.

Falso. È usato per sviluppare sistemi di guida automatica e assistenti alla guida.

Riconoscimento vocale → Applicazione?

Sistemi come Siri o Google Assistant utilizzano algoritmi di apprendimento supervisionato per comprendere e rispondere a comandi vocali.

Compilazione automatica → Esempio pratico?

Utilizza modelli predittivi per suggerire frasi o completare testi in applicazioni di scrittura.