Il machine learning (ML) è alla base della maggior parte dei servizi di AI su Azure. A differenza della programmazione tradizionale, dove uno sviluppatore scrive regole esplicite, nel ML forniamo dei dati a un algoritmo e lasciamo che sia lui a “scoprire” gli schemi. Il risultato di questo processo è un modello: una funzione matematica capace di produrre previsioni su dati che non ha mai visto prima. Capire questo cambio di paradigma è il primo passo per l’esame AI-900.
Feature e label: l’anatomia di un dataset
Un dataset di training è tipicamente organizzato come una tabella di righe e colonne.
- Le feature (caratteristiche) sono le variabili di input, cioè le colonne che descrivono ogni osservazione. Per prevedere il prezzo di una casa, le feature potrebbero essere metratura, numero di stanze, quartiere e anno di costruzione.
- La label (etichetta) è il valore che vogliamo prevedere, cioè l’output atteso. Nell’esempio della casa, la label è il prezzo.
Per convenzione, le feature si indicano con x e la label con y. L’obiettivo dell’addestramento è trovare una funzione tale che f(x) = y, cioè un modello che, date le feature, stimi correttamente la label.
Dataset di training e di validation
I dati disponibili non si usano tutti per addestrare. Si suddividono in almeno due parti:
- Il dataset di training serve al modello per apprendere gli schemi e “aggiustare” i propri parametri interni.
- Il dataset di validation (o test), tenuto da parte e mai mostrato durante l’addestramento, serve a valutare quanto bene il modello generalizza su dati nuovi.
Questa separazione è cruciale: un modello che memorizza i dati di training ma sbaglia su quelli di validation soffre di overfitting. La capacità di generalizzare, non di ricordare, è ciò che rende un modello utile nel mondo reale.
Apprendimento supervisionato vs non supervisionato
La distinzione più importante da conoscere riguarda la presenza o assenza di label nei dati di training.
Apprendimento supervisionato (con label)
Nel supervised learning ogni esempio di training include sia le feature sia la label corretta. Il modello impara confrontando le proprie previsioni con la risposta giusta e correggendosi. Si divide in due grandi famiglie:
- Regressione: la label è un valore numerico continuo. Esempi: prevedere il prezzo di una casa, la temperatura di domani, le vendite del prossimo trimestre.
- Classificazione: la label è una categoria. Esempi: stabilire se un’email è spam o non spam (binaria), o riconoscere la specie di un fiore tra più classi (multi-classe).
Apprendimento non supervisionato (senza label)
Nell’unsupervised learning i dati non hanno label: il modello riceve solo le feature e deve scoprire da solo una struttura nascosta. La tecnica tipica è il clustering, che raggruppa osservazioni simili tra loro. Esempi: segmentare i clienti in gruppi con comportamenti d’acquisto affini, o raggruppare documenti per argomento. Non esiste una “risposta corretta” fornita in anticipo: il modello organizza i dati in base alla loro somiglianza.
Il modello come funzione che generalizza
Riassumendo, il flusso è: dati → addestramento → modello → previsione. Durante il training l’algoritmo osserva molti esempi e regola i propri parametri per minimizzare l’errore. Il modello finale è una funzione appresa dai dati che, quando riceve feature nuove, produce una previsione. Il valore di un modello si misura proprio dalla sua capacità di dare risposte accurate su dati mai visti, non su quelli con cui è stato addestrato.
Trappole tipiche d’esame
- Scenario: hai uno storico di case con feature e prezzo noto e vuoi prevedere il prezzo di una nuova casa → è apprendimento supervisionato, e specificamente regressione perché la label è un numero continuo.
- Scenario: devi classificare le email in “spam” / “non spam” avendo esempi già etichettati → supervisionato, tipo classificazione, non regressione.
- Scenario: hai dati clienti senza etichette e vuoi individuare segmenti simili → non supervisionato, tecnica di clustering.
- Scenario: la domanda chiede a cosa serve il dataset di validation → serve a valutare la generalizzazione su dati non usati per l’addestramento, non a insegnare al modello.
- Scenario: nella tabella dati, la colonna da prevedere è la label; le colonne di input sono le feature. Non confondere i due termini.