Scarica Informatica e Sistemi Informativi - Prof. Tornieri e più Dispense in PDF di Sistemi Informativi solo su Docsity!
INFORMATICA E SISTEMI INFORMATIVI
Definizioni
Calcolatore – Computer – Elaboratore elettronico: apparecchio o dispositivo utilizzato per l’elaborazione di dati e segnali. Lo scopo di un computer è di elaborare i dati per trasformarli in informazioni utili al fine di accelerare la soluzione dei problemi e migliorare la produttività. Informatica: scienza che studia l’elaborazione delle informazioni e le sue applicazioni, più precisamente si occupa della rappresentazione, dell’organizzazione e del trattamento automatico della informazione. Il termine significa “informazione automatica” e fu coniato da P. Dreyfus nel 1962. Sistema informativo: un insieme di persone, apparecchiature e applicazioni (hardware, software e reti di comunicazione), processi, dati e informazioni che permettono all’azienda di disporre delle informazioni necessarie al posto giusto e al momento giusto. L’utilità è soddisfare il fabbisogno informativo attribuendo a ogni centro decisionale le informazioni necessarie per operare. Dato: rappresentazione numerica/simbolica di una misura o di una caratteristica di un fenomeno. Può essere:
- Stringa: testo (a-z)
- Intero: 1 >>> N
- Float: es. 23,
- Booleani: vero o falso Informazione: dato o insieme di dati che hanno un significato e sono associati a un determinato contenuto. Un sistema informativo elabora dati e li trasforma in informazioni, gli utenti hanno bisogno di informazioni.
L’infrastruttura dei sistemi informativi:
Hardware: insieme delle componenti tangibili degli elaboratori. Software: programmi o insiemi di istruzioni tramite i quali l’elaboratore esegue determinate funzioni di elaborazione. Reti di comunicazione: collegamenti tra due o più dispositivi attraverso un mezzo trasmissivo al fine di effettuare una trasmissione di dati.
Aziende e sistemi informativi
Un’azienda spende risorse nel sistema informativo per:
- Realizzare un OBIETTIVO STRATEGICO aziendale
- Ottenere un VANTAGGIO COMPETITIVO rispetto ai concorrenti
- Aumentare la propria EFFICIENZA Funzione Sistemi Informativi (FSI): è l’unità di business delegata alla gestione dell’elaborazione e della distribuzione a tutte le unità organizzative dell’impresa delle informazioni necessarie al raggiungimento degli obiettivi aziendali. La sua funzione principale è l’applicazione delle ICT a tutti i processi aziendali che possono essere resi più efficienti ed efficaci tramite la progettazione e l’implementazione di sistemi informativi automatizzati.
3In azienda si occupa dei sistemi informativi:
- La funzione IT >>> doppio ruolo: esecutivo e proattivo.
- Le funzioni aziendali >>> ruolo di “cliente interno” dell’IT Il budget IT da chi è gestito? Chi determina le priorità nei progetti da finanziare?
- La direzione assegna un budget per gli investimenti IT ad ogni Direzione, che commissiona all’IT i progetti di cui ha bisogno.
- Il budget viene gestito centralmente dall’IT in modo da ottenere il massimo dell’efficienza. Il budget può essere utilizzato in due modalità:
- Ogni investimento IT implica una scelta “Make or Buy” di software applicativo.
- Con l’avvento del Cloud le opzioni si moltiplicano. Sviluppo: o Make: - sviluppo con proprie risorse; - sviluppo misto con risorse interne ed esterne; - sviluppo con risorse esterne su proprie specifiche. o Buy: - acquisto di un pacchetto esistente senza personalizzazioni; - acquisto con personalizzazioni; - acquisto della proprietà di un pacchetto. Possono essere acquistate o “prese in affitto”:
- Le apparecchiature hardware (mainframe, server farm, cloud);
- Il software (software proprietario, in licenza d’uso, pay per use ecc.);
- Sia hardware che software (outsourcing, software as a service).
Funzione sistemi informativi e figure professionali
Megabyte (MB): circa un milione di byte Gigabyte (GB): circa un miliardo di byte Terabyte (TB): circa mille miliardi di byte Petabyte (PB): circa un milione di miliardi di byte Exabyte (EB): circa un miliardo di miliardi di byte Zettabyte (ZB): circa mille miliardi di miliardi di byte Yottabyte (YB): circa un quadrilione di byte
Hardware
Von Neumann modellizzò l’infrastruttura Hardware, lo schema logico di funzionamento di un computer, tuttora valido sebbene sia nato a cavallo tra gli anni ‘40 e ‘50. È costituito da un’unità centrale di elaborazione ossia il CPU, dalle periferiche di input, dalle periferiche di output e le memorie di massa. Il CPU è il dispositivo che interpreta ed esegue le istruzioni, elabora i dati, gestisce e coordina le comunicazioni delle periferiche. L’unità aritmetico logica o ALU esegue le operazioni aritmetiche e logiche, fa calcoli semplici velocemente. Vi sono poi la memoria centrale e l’unità di controllo che decifra e interpreta ogni istruzione che viene memorizzata e poi la esegue. La memoria di massa è persistente, il dato viene salvato sulla memoria di massa, è più lenta e meno costosa ma di grandi dimensioni. Per Hardware si intende l’insieme delle componenti tangibili del computer. È classificato secondo 4 tipologie: tecnologie di input, tecnologie di output, tecnologie di memorizzazione e tecnologie di elaborazione.
Tecnologie di input
Sono utilizzate per introdurre dati in un computer: Mouse e tastiera La tastiera è una tecnologia di inserimento di testi e numeri. Il mouse è uno strumento di puntamento che gestisce un cursore. Ogni mouse è dotato di due dispositivi, uno per la selezione, ossia i tasti, e uno per il movimento del cursore, ossia la pallina o tecnologia ottica. Lettori di codici a barre Il più diffuso in Italia è il codice EAN (European Article Number) che viene utilizzato nella grande distribuzione. Il codice a barre 2.0 è interattivo e multimediale. Per essere scansionato servono applicazioni apposite. Il codice QR comprime le informazioni in un quadratino che i dispositivi mobili
possono scansire rapidamente. Una volta sottoposto a scansione, il codice QR viene tradotto in informazioni utilizzabili come un link a un sito web. RFID – Radio Frequency Identification È una tecnologia per l’identificazione e/o memorizzazione automatica di informazioni inerenti oggetti, animali o persone (AIDC – Automatic Identifying and Data Capture) basata sulla capacità di memorizzazione di dati da parte di particolari etichette elettroniche, chiamate tag o transponder o chiavi elettroniche di prossimità, e sulla capacità di queste di rispondere all’interrogazione a distanza da parte di appositi apparati fissi o portatili chiamati reader o anche interrogatori. Questa identificazione avviene mediante radiofrequenza, grazie alla quale un reader è in grado di comunicare e/o aggiornare le informazioni contenute nei tag che sta interrogando; infatti, nonostante il suo nome, un reader ovvero un lettore non è solo in grado di leggere, ma anche di scrivere informazioni.
Tecnologie di output
Presentano i dati all’utente in un formato comprensibile e usabile. Si parla di output video, stampanti, plotter e output audio. Gli output video sono utilizzati per visualizzare informazioni elaborate da un computer e sono connessi a una scheda video che comunica allo schermo i punti da attivare per produrre un’immagine. Nelle stampanti le informazioni possono essere stampate utilizzando diversi tipi di periferiche. Per trasferire disegni tecnici si usano i plotter per esempio. Le stampanti possono essere:
- Stampanti a getto d’inchiostro in cui l’intelligenza risiede nelle testine pilotate da un software, costano poco ma si rovinano se si stampa molto.
- Stampanti laser in cui un rullo viene caricato elettricamente da un laser, costruendo sul rullo una mappa di cariche elettriche, sono molto costose.
- Stampanti multifunzionale aventi lo scanner.
- Stampanti 3D che fondono materiale plastico per stampare un oggetto.
- Plotter ossia stampanti molto grandi usate per i disegni.
- Output audio utilizzando una scheda audio che traduce i bit in toni e delle casse acustiche che li riproducono.
Architettura di un Personal Computer
Unità centrale
1. Fase di caricamento: l’unità di controllo (CU) preleva l'istruzione successiva presente in
memoria e la immagazzina al suo interno in una piccola area di memorizzazione detta registro dell'istruzione (IR).
2. Fase di decodifica: l’unità di controllo decodifica l'istruzione e trasferisce i dati a cui questa fa
riferimento dalla memoria all'unita logico-aritmetica (ALU).
3. Fase di esecuzione: l’unità logico-aritmetica esegue l'operazione logica o aritmetica richiesta.
4. Fase di memorizzazione: i risultati delle operazioni logiche o aritmetiche svolte sono
immagazzinati nella memoria centrale o in un registro dell'unità logico-aritmetica chiamata accumulatore. L’ALU ha delle caratteristiche:
- Fa conti molto semplici;
- Queste operazioni sono veloci ma la velocità causa dei problemi. L’unità centrale lavora a una certa frequenza di clock che rappresenta uno dei suoi parametri prestazionali in termini di processamento. Può inoltre essere multicore. La CPU è l’unità centrale di elaborazione che esegue i comandi e i processi atti al funzionamento del software. Va da 4 a 16 core. È
fisicamente un piccolo chip sulla scheda madre del computer. La GPU è l’unità di elaborazione grafica. Si tratta di un circuito elettronico che velocizza la grafica del computer ed è in grado di eseguire calcoli matematici ad alta velocità. Può arrivare a 10000 core. I core permettono di eseguire più istruzioni nello stesso momento, si tratta di unità che lavorano insieme.
Legge di Moore
Secondo tale legge le prestazioni dei processori e il numero di transistor relativi a essi raddoppiano ogni 18 mesi.
Memoria centrale
- RAM (Random Access Memory): memoria che conserva i dati in corso di elaborazione e le istruzioni del programma in esecuzione. È volatile.
- ROM (Read Only Memory): memoria contenente dati e istruzioni fisse e non modificabili. È utilizzata per programmi e istruzioni caricate automaticamente all'avvio (es. BIOS).
- Cache (L1 e L2): conserva temporaneamente in una memoria veloce le istruzioni e i dati che il microprocessore utilizza con maggiore frequenza.
- Memoria virtuale: spazio libero su disco che viene utilizzato per estendere la capacità della memoria RAM.
- CMOS (Complementary Metal-Oxide Semiconductor): è costituita da microchip alimentati da una piccola batteria, che consente di mantenere costantemente aggiornato il suo contenuto, costituito da alcune informazioni fondamentali per il corretto funzionamento del computer.
Software
Il software è costituito da programmi o insiemi di istruzioni tramite i quali il computer esegue determinate funzioni di elaborazione. Può essere:
- Software di sistema: insieme di programmi che controllano le operazioni fondamentali per la gestione del computer.
- Software applicativo: consente all’utente di eseguire compiti specifici come scrivere una lettera e giocare.
Software di sistema
È costituito da tre oggetti che controllano le operazioni fondamentali per il funzionamento del computer: il sistema operativo, i programmi di servizio/utility e il driver. Sistema operativo: è il software essenziale, un insieme di funzioni di base. Coordina l’interazione tra utenti, software applicativo, hardware e periferiche. Le funzioni principali sono:
Reti e sistemi di comunicazione
La rete informatica consente di condividere informazioni e servizi. Si tratta di un collegamento tra due o più computer attraverso un mezzo trasmissivo per effettuare una trasmissione di dati. Gli elementi costitutivi sono:
- Due o più computer;
- Linee di trasmissione;
- Protocolli di comunicazione (due computer devono parlare la stessa lingua). Le reti hanno vari vantaggi:
- Migliorare le comunicazioni;
- Condivisione di dispositivi periferici;
- Condivisione di programmi e dati;
- Accesso condiviso alle Basi di Dati (Database) >>> integrità delle informazioni. La rete informatica consente di condividere informazioni e servizi. Per poter realizzare una rete è necessario disporre di alcuni elementi:
- Due o più elaboratori;
- Un mezzo o una linea di comunicazione;
- Larghezza di banda: capacità di trasmissione del computer o del canale di comunicazione misurata in bit al secondo (bps) o suoi multipli;
- Un protocollo che definisce le regole di comunicazione.
Mezzi di trasmissione
Trasmissioni via cavo: i cavi collegano fisicamente i computer e gli altri dispositivi in reti. I più comuni sono il doppino telefonico, il cavo coassiale e la fibra-ottica. Trasmissioni wireless: i segnali elettromagnetici sono trasmessi e ricevuti senza l’utilizzo di cavo, usando i raggi infrarossi, il bluetooth e il Wi-fi (via radio). Il bluetooth serve per spedire una piccola mole di informazioni per un arco limitato di tempo mentre il Wi-fi mette in comunicazione due computer che devono scambiare una grossa mole di informazioni.
Tipologie di rete
- Rete telefonica interna (PBX): sistema telefonico al servizio di una specifica ubicazione, all’interno di una azienda.
- Rete personale (PAN): comunicazione wireless tra dispositivi, mediante tecnologie come bluetooth, entro 10 metri.
- Rete locale (LAN): condivisione di dati, applicazioni software o altre risorse tra diversi utenti, generalmente all’interno di un edificio.
- Rete universitaria (CAN): collegamento di più LAN, utilizzata da un’unica organizzazione estesa su più edifici, per esempio un’università o un campus aziendale.
- Rete metropolitana (MAN): collegamento di più LAN, utilizzata da un’unica organizzazione più estesa di una LAN o CAN, per esempio può coprire un’intera area cittadina.
- Rete geografica (WAN): collegamento di più LAN, proprietà e gestione distribuita in una grande distanza geografica, a livello mondiale (internet).
Architettura CLIENT–SERVER: un server è un computer collegato in rete che consente a più computer (i client) di accedere a dati, programmi, ecc. Architettura P2P/PEER TO PEER: un peer è un computer che può sia richiedere che fornire servizi. Si può comportare sia da client sia da server.
Protocollo Internet TCP/IP
Un router è un dispositivo elettronico che, in una rete informatica a commutazione di pacchetto, si occupa di instradare i dati, suddivisi in pacchetti, fra reti diverse. Il TCP, ossia il protocollo di controllo trasmissione, è uno standard di comunicazione, che consente ai programmi applicativi e ai dispositivi informatici di scambiarsi messaggi su una rete. L’IP, ossia il protocollo Internet, rappresenta il metodo per inviare dati da un dispositivo a un altro su Internet.
DNS e URL
Un DNS è un sistema che permette di associare ad un indirizzo IP un indirizzo non numerico ossia l’URL. Il DNS è un sistema di livelli:
- Dominio a livello di radice
- Dominio di primo livello (TDL) >>> com, cloud, org
- Dominio di secondo livello (SLD) >>> eu, uk, it
Tecniche di commutazione
Commutazione di circuito: ai due utenti comunicanti viene assegnato un circuito (circuito fisico effettivo o porzione di banda o intervallo di tempo) per tutta la durata del collegamento e nessun altro utente può utilizzarlo in quel periodo. Commutazione di pacchetto: il messaggio prima di essere spedito viene diviso in pacchetti di dimensioni più ridotte e viene aggiunto a ciascuno di essi un header in modo da farlo diventare un’entità autonoma. L’header contiene, tra l’altro, gli indirizzi del mittente e del destinatario e il numero progressivo che individua la posizione dentro il messaggio. Ogni pacchetto è un’entità informatica autonoma e per arrivare a destinazione segue di volta in volta un percorso decisivo in base allo stato della rete. Il vantaggio è il potere evitare la congestione di alcuni nodi o della rete instradando i pacchetti su vari percorsi.
Cloud computing
Paradigma di erogazione di risorse informatiche, come l’archiviazione, l’elaborazione o la trasmissione di dati, caratterizzato dalla disponibilità on demand attraverso Internet a partire da un insieme di risorse preesistenti e configurabili.
- Dropbox
- Apple-iCloud, Google Drive, Microsoft Azur, Amazon Web Services – AWS Vantaggi del Cloud Computing
- Personalizzazione del servizio > software as a service > On-demand self-service
- Scalabilità (espansione o riduzione secondo le esigenze/picchi stagionali)
- Mobilità e delocalizzazione (accesso da qualsiasi postazione)
- Costi relativi solo ai servizi utilizzati (potenza di calcolo/risorse) > pay-per-use Rischi del Cloud Computing
- Disponibilità/affidabilità del servizio (“business continuity”)
- Dipendenza dal service provider
- Dipendenza dalla rete Internet
- Sicurezza informativa & Violazione Privacy
IA
L’intelligenza artificiale viene definita in vari modi, evidenziando diversi aspetti e approcci:
- IA come simulazione dell’intelligenza umana: l’IA è vista come la capacità di una macchina di imitare funzioni cognitive umane, come l’apprendimento e la risoluzione dei problemi;
- IA come sistema di decisione automatizzato: viene descritta come un insieme di algoritmi e modelli che permettono a un sistema di prendere decisioni basate su dati, senza intervento umano diretto;
- IA come strumento per l’analisi dei dati: l’IA è utilizzata per analizzare grandi volumi di dati e trarre conclusioni, migliorando l’efficienza e l’accuratezza delle decisioni;
- IA come tecnologia in evoluzione: si sottolinea che l’IA è un campo in continua evoluzione, con nuove scoperte e applicazioni che emergono regolarmente, influenzando vari settori.
IA Forte
- IA progettata per emulare completamente l’intelligenza umana.
- Capace di comprendere, apprendere e applicare conoscenze in vari contesti. Caratteristiche:
- Coscienza e comprensione: possiede una forma di coscienza e può comprendere il significato delle informazioni;
- Apprendimento autonomo: in grado di apprendere e adattarsi a nuove situazioni senza intervento umano;
- Ragionamento complesso: può affrontare problemi, complessi e pretendere decisioni in modo simile a un essere umano. Esempi: attualmente, non esistono sistemi di IA forte completamente sviluppati. È un obiettivo di ricerca a lungo termine.
IA Debole
- IA progettata per svolgere compiti specifici senza una vera comprensione del contesto.
- Utilizza algoritmi per eseguire funzioni predeterminate. Caratteristiche:
- Specializzazione: efficiente in compiti specifici, ma non in grado di generalizzare le conoscenze;
- Nessuna coscienza: non ha consapevolezza o comprensione; opera su dati e regole predefinite;
- Limitazioni: non può affrontare situazioni al di fuori del suo ambito di programmazione. Esempi: assistenti virtuali (Siri, Alexa), sistemi di raccomandazione (Netflix, Spotify) e chatbot per assistenza clienti.
Impatto dell’IA
L'intelligenza artificiale ha un impatto significativo sulle nostre vite quotidiane in vari modi:
- Assistenza personale: gli assistenti virtuali, come Siri, Google Assistant e Alexa, utilizzano l'IA per comprendere e rispondere alle richieste degli utenti, facilitando attività quotidiane come la gestione del calendario, la ricerca di informazioni e il controllo dei dispositivi domestici;
- Raccomandazioni personalizzate: piattaforme di streaming come Netflix e servizi di e- commerce come Amazon utilizzano algoritmi di IA per analizzare le preferenze degli utenti e fornire raccomandazioni personalizzate migliorando l'esperienza dell'utente;
- Automazione del lavoro: l’IA viene utilizzata in vari settori per automatizzare compiti ripetitivi e migliorare l'efficienza operativa. Per esempio, nelle fabbriche, i robot intelligenti possono svolgere compiti di assemblaggio, riducendo il bisogno di manodopera umana;
- Salute e medicina: l’IA è impiegata per analizzare dati medici e supportare diagnosi più accurate. Algoritmi di apprendimento automatico possono identificare modelli nei dati clinici, aiutando i medici a prendere decisioni informate;
- Sicurezza e sorveglianza: sistemi di riconoscimento facciale e analisi predittiva utilizzano l’IA per migliorare la sicurezza pubblica, monitorando comportamenti sospetti e prevedendo crimini.
Caratteristiche
Autonomia: capacità di un sistema di operare prendere decisioni senza intervento umano.
- Decision making: i sistemi autonomi possono analizzare dati a prendere decisioni in tempo reale.
- Operatività indipendente: possono eseguire compiti in modo autonomo, riducendo la necessità di supervisione. Esempi di applicazione: veicoli autonomi come auto a guida autonoma e robot industriali che svolgono compiti di assemblaggio. Adattività: capacità di un sistema di modificare il proprio comportamento in risposta a cambiamenti nell'ambiente o nei dati.
- Apprendimento continuo: i sistemi adattivi possono apprendere da nuove informazioni e migliorare le loro prestazioni nel tempo.
- Flessibilità: possono affrontare situazioni nuove e imprevisti, modificando le loro strategie operative.
Fase 2: EMBEDDING Fase 3: MATRICE DI ATTENZIONE La matrice di attenzione è uno strumento matematico che il modello GPT utilizza per calcolare quanto ogni parola dovrebbe influenzare le altre parole nella frase (il significato della parola dipende dal contesto in cui appare).
Machine Learning
Il Machine Learning (apprendimento automatico) è un sottoinsieme dell’IA che consente al computer di apprendere dei dati e migliorare le loro prestazioni nel tempo senza essere esplicitamente programmati. Caratteristiche:
- Algoritmi: utilizza algoritmi statistici per identificare modelli nei dati. Tipo di apprendimento:
- Supervisionato: apprende da dati etichettati.
- Non supervisionato: trova modelli in dati non etichettati.
- Apprendimento per rinforzo: impara attraverso prove ed errori. Relazione con l’IA
Il Machine Learning è una delle tecniche principali utilizzate per implementare l’IA, permettendo ai sistemi di prendere decisioni basate sui dati storici.
Deep Learning
Il Deep Learning è un sottoinsieme del Machine Learning che utilizza reti neurali profonde per analizzare dati complessi e fare previsioni. Caratteristiche:
- Reti neurali: composto da strati di nodi (neuroni) che elaborano dati in modo simile al cervello umano.
- Dati complessi: eccelle nell’analisi di immagini, audio e testo.
- Richiesta di dati: richiede grandi quantità di dati per addestrare i modelli. Relazione con l’IA Il Deep Learning rappresenta un avanzamento significativo nel campo dell’IA, consentendo applicazioni come il riconoscimento vocale, la visione artificiale e la traduzione automatica.
Scienza dei dati
La scienza dei dati è un campo interdisciplinare che utilizza metodi statistici, algoritmi di Machine Learning e analisi dei dati per estrarre conoscenza e insight dai dati. Caratteristiche:
- Analisi dei dati: combina tecniche di statistica, analisi dei dati e programmazione.
- Visualizzazione: utilizza strumenti di visualizzazione per comunicare i risultati in modo efficace.
- Decision Making: supporta le decisioni aziendali basate su dati concreti. Relazione con l’IA La scienza dei dati fornisce le basi per l’addestramento dei modelli di IA, utilizzando tecniche di Machine Learning per analizzare e interpretare i dati.
Robotica
La robotica è un campo che si occupa della progettazione, costruzione e utilizzo di robot, spesso integrando tecnologie di IA per migliorare le loro capacità. Caratteristiche:
- Autonomia: i robot possono operare in modo autonomo o semiautonomo.
- Sensori e attuatori: utilizzano sensori per percepire l’ambiente e attuatori per interagire con esso.
- Interazione: possono interagire con gli esseri umani e l’ambiente circostante. Relazione con l’IA L’IA è fondamentale per la robotica, poiché consente ai robot di apprendere dai dati, prendere decisioni in tempo reale e adattarsi a situazioni variabili. Concetto: il test di Turing proposto da Alan Turing, è un criterio per determinare se una macchina può esibire un comportamento intelligente indistinguibile da quello umano.
Tipologie di Machine Learning
Il Machine Learning affonda le proprie radici nella statistica, che può essere intesa anche come l’arte di estrarre conoscenze dai dati:
- Apprendimento supervisionato: dato in input, il compito di predire l’etichetta corretta. Nei casi semplici, si tratta di problemi di classificazione binaria.
- Apprendimento non supervisionato: non ci sono etichette o output corretti. Il compito è scoprire la struttura dei dati, come raggruppare elementi simili (clustering) o ridurre i dati a dimensioni essenziali.
- Apprendimento di rinforzo: utilizzato quando un agente di IA, come un’auto a guida autonoma riceve feedback ritardato sulle proprie scelte. È comune nei giochi, dove il risultato è noto solo alla fine.
Apprendimento supervisionato
Invece di scrivere regole precise, si utilizza un set di esempi etichettati per addestrare un algoritmo di IA a classificare correttamente i dati. L’utente fornisce le etichette corrette, fungendo da “supervisore” che guida l’algoritmo verso le risposte giuste, permettendo poi all’algoritmo di produrre previsioni in autonomia. Oltre alla classificazione, l’apprendimento supervisionato può essere usato per prevedere numeri, come il numero di clic su una pubblicità o il prezzo di vendita di un immobile. Questi problemi di previsione numerica sono chiamati regressione. Un esempio noto è la regressione lineare, una tecnica classica ancora ampiamente utilizzata. È importante essere prudenti nell’applicazione dei metodi di machine learning per evitare delusioni dovute a previsioni meno accurate del previsto. Un errore comune è non suddividere correttamente i dati. Bisogna dividere il set di dati in due parti:
- Dati di allenamento (training data);
- Dati di test (test data). L’algoritmo viene:
- Prima allenato sui dati di allenamento per generare un modello.
- Buone prestazioni sui dati di allenamento non garantiscono che il modello funzioni bene su dati nuovi.
- Per valutare la capacità di generalizzazione del modello, bisogna testarlo sui dati di test e confrontare le previsioni con i risultati effettivi.
Apprendimento non supervisionato
Nell’apprendimento non supervisionato, le risposte corrette non sono fornite. Impossibilità nello sviluppare il modello adattandolo alle risposte corrette dei dati di allenamento. Anche la valutazione delle prestazioni diventa più complicata perché non possiamo verificare se il modello appreso funzioni bene o meno. I metodi tipici di apprendimento non supervisionato cercato di apprendere una sorta di “struttura” sottostante ai dati:
- Visualizzazione, in cui elementi simili sono collocati vicini ed elementi dissimili sono collocati lontani gli uni dagli altri.
- Clustering, in cui i dati sono usati per identificare gruppi o “cluster” di elementi simili tra loro ma dissimili dai dati in altri cluster. Esempio: le catene di supermercati raccolgono dati sui comportamenti d’acquisto tramite carte fedeltà per comprendere meglio i propri clienti. Possono visualizzare i dati in un grafico dove i clienti con abitudini simili sono rappresentati da punti vicini tra loro. Possono anche applicare il clustering per raggruppare i clienti in gruppi basati su comportamenti di acquisto simili. Il metodo di Machine
Learning crea i gruppi, ma non fornisce automaticamente etichette per i cluster: questo compito spetta all’utente.
Deep Learning
Il Deep Learning si riferisce a determinati tipi di tecniche di Machine Learning in cui diversi strati di unità di elaborazione semplici sono collegati in una rete in modo che l’input al sistema passi a turno attraverso ognuno di essi. Tale architettura è stata ispirata dall’elaborazione nel cervello delle informazioni visive proveniente dagli occhi e catturate dalla retina. Tale profondità consente alla rete di apprendere strutture più complesse senza bisogno di quantità esagerate di dati. Una rete neurale, sia essa biologica o artificiale, è composta da un vasto numero di unità semplici, i neuroni, che ricevono e trasmettono segnali gli uni agli altri. I neuroni sono processori molto semplici di informazioni, formati da un corpo cellulare e da ramificazioni che collegano i neuroni tra loro. La maggior parte del tempo non fanno nulla e se ne stanno fermi ad aspettare i segnali provenienti dalle ramificazioni. Isolato da altri neuroni, un singolo neurone è piuttosto inespressivo e capace di manifestare soltanto un insieme molto limitato di comportamenti. Quando i neuroni sono collegati tra loro, il sistema risultante dalla loro azione concertata può divenire estremamente complesso.
- INPUT LAYER: riceve i dati iniziali in ingresso e li memorizza in un tensore. Questo strato è responsabile di tradurre i dati grezzi in una forma che il modello può elaborare.
- HIDDEN LAYER: esegue calcoli matematici sui dati in ingresso, applicando trasformazioni non lineari. Una rete neurale può contenere più di uno strato nascosto, ognuno dei quali contribuisce ad aumentare la capacità del modello di apprendere rappresentazioni complesse dai dati.
- OUTPUT LAYER: restituisce le previsioni finali desiderate. È l’ultimo passo del modello e fornisce i risultati basati sull’elaborazione effettuata negli strati nascosti.
- Caratteristica chiave 1: nei computer tradizionali, la CPU elabora i dati in modo sequenziale, mentre nelle reti neurali molti neuroni elaborano informazioni simultaneamente, permettendo un’elaborazione parallela.
- Caratteristica chiave 2: nelle reti neurali, l’archiviazione e l’elaborazione dei dati non sono separate. I neuroni stessi memorizzano e processano i dati e i collegamenti tra neuroni possono conservare informazioni a lungo termine.
- Le reti neurali richiedono hardware specializzato per sfruttare appieno l’elaborazione parallela. Le GPU sono comunemente utilizzate per eseguire il Deep Learning su larga scala grazie alla loro capacità di elaborare grandi quantità di dati in parallelo. a) Reti neurali : algoritmo specifico di Machine Learning ispirato alla struttura del cervello umano. Una rete neurale è composta da strati di nodi collegati tra loro, dove i dati passano attraverso questi strati per apprendere rappresentazioni complesse. Le reti neurali esistono da decenni e possono essere semplici o complesse. b) Deep Learning : è un sottocampo del Machine Learning che si basa su reti neurali profonde. Si parla di Deep Learning quando una rete neurale ha molti strati (più di tre). Questi strati aggiuntivi permettono di apprendere caratteristiche più astratte e complesse dai dati, rendendo il Deep Learning potente per compiti complessi come il riconoscimento delle immagini, il processamento del linguaggio naturale e la guida autonoma. La differenza tra CPU e GPU in termini di reti neurali si può riassumere: Architettura di elaborazione :
