Il machine learning (ML) è il cuore di molte soluzioni di intelligenza artificiale su Azure: invece di programmare regole esplicite, si addestra un modello su dati storici affinché impari da solo gli schemi. All’interno del ML esistono tecniche diverse a seconda di cosa vogliamo prevedere e di quali dati abbiamo a disposizione. Per l’esame AI-900 devi saper riconoscere tre tecniche fondamentali — regression, classification e clustering — e capire quale usare in un dato scenario.

Supervised vs unsupervised learning

La prima distinzione riguarda la presenza o meno di label (etichette) nei dati di addestramento.

  • Supervised learning: i dati contengono già la risposta corretta (la label). Il modello impara la relazione fra le caratteristiche (features) e il risultato noto. Regression e classification appartengono a questa categoria.
  • Unsupervised learning: i dati non hanno label. Il modello deve scoprire da solo la struttura nascosta. Il clustering è l’esempio tipico.

Tenere a mente questa mappa è spesso sufficiente per rispondere correttamente a molte domande d’esame.

Regression: prevedere un valore numerico

La regression predice un valore numerico continuo. Il modello viene addestrato su esempi in cui conosciamo già il numero da prevedere, così impara a stimarlo per nuovi casi.

  • Scenario tipico: prevedere il prezzo di vendita di una casa in base a metratura, numero di stanze e quartiere; oppure stimare quante biciclette verranno noleggiate domani in funzione di stagione, temperatura e giorno della settimana.
  • Parola chiave: se la domanda chiede di prevedere “quanto”, “quante” o un importo/quantità, la risposta è regression.

Classification: prevedere una categoria

La classification predice a quale categoria (classe) appartiene un elemento. Anche questa è supervisionata: si addestra su esempi già etichettati con la classe corretta.

  • Binary classification: due sole classi possibili (es. l’email è spam / non spam; il paziente è a rischio / non a rischio di diabete).
  • Multiclass classification: più di due categorie (es. classificare un’immagine come gatto, cane o uccello).
  • Parola chiave: se la domanda chiede “quale categoria”, “sì/no”, “a quale gruppo predefinito appartiene”, la risposta è classification.

Clustering: raggruppare senza label

Il clustering raggruppa gli elementi in cluster basandosi sulla loro similarità, senza conoscere in anticipo le categorie. È non supervisionato: non esistono label da imparare, è il modello a scoprire gruppi naturali nei dati.

  • Scenario tipico: segmentare i clienti in gruppi con abitudini di acquisto simili per campagne marketing mirate, quando non sappiamo ancora quali segmenti esistano.
  • Differenza chiave con la classification: nella classification le categorie sono note e predefinite; nel clustering i gruppi emergono dai dati.

Deep learning e reti neurali

Come tecnica più avanzata esiste il deep learning, basato su reti neurali artificiali (artificial neural networks) organizzate in molti livelli (layer). Ispirate in modo semplificato al funzionamento del cervello, queste reti apprendono schemi molto complessi direttamente dai dati grezzi, senza bisogno di regole scritte a mano. Il deep learning è alla base di scenari sofisticati come il riconoscimento di immagini, la comprensione del linguaggio naturale e i modelli generativi (i large language model che alimentano soluzioni come Microsoft 365 Copilot e Azure AI Foundry). Per il livello fundamentals basta sapere cos’è e a cosa serve, senza alcuna matematica.

Trappole tipiche d’esame

  • Scenario: “Prevedere il numero di prodotti che verranno venduti il mese prossimo.” → Regression (valore numerico continuo), non classification.
  • Scenario: “Stabilire se una transazione è fraudolenta oppure legittima.” → Classification binaria (due categorie note), non regression pur essendo un output di tipo sì/no.
  • Scenario: “Suddividere i clienti in gruppi simili senza conoscere in anticipo i segmenti.” → Clustering (non supervisionato); se invece i segmenti fossero già definiti e etichettati sarebbe classification.
  • Scenario: “Quale tecnica NON usa dati etichettati?” → Clustering (unsupervised); regression e classification sono entrambe supervised.
  • Scenario: “Classificare immagini in cane/gatto/uccello.” → Multiclass classification; non è clustering perché le categorie sono predefinite.