L'apprendimento automatico (Machine Learning, ML) è una branca dell' intelligenza artificiale (IA) e una parte essenziale della scienza dei dati. Impiega metodi statistici per classificare o prevedere modelli nei dati che possono aiutare a raccogliere informazioni approfondite per la business intelligence, l'esperienza cliente, le ricerche di mercato e altri fattori chiave nel processo decisionale.

L'apprendimento automatico può essere supervisionato, non supervisionato e per rinforzo.

  • Apprendimento supervisionato: gli algoritmi vengono appositamente preparati con dati specifici del settore per ottenere informazioni. Questo metodo è più comunemente utilizzato per le applicazioni aziendali.
  • Apprendimento non supervisionato: gli algoritmi analizzano milioni di punti di dati e iniziano a riconoscere gli schemi da soli. È comunemente utilizzato in settori come il clustering dei dati meteorologici.
  • Apprendimento per rinforzo: si tratta di una modalità di apprendimento automatico avanzato in cui gli algoritmi imparano a percepire e interpretare l'ambiente circostante e ad adottare azioni correttive mediante tentativi ed errori. Pensa: robotica dotata di intelligenza artificiale.

L'apprendimento automatico viene utilizzato nei progetti di data mining per la classificazione di argomenti, caratteristiche e aspetti, analisi del testo, clustering semantico e altre attività. Si tratta di tecniche fondamentali per l'intelligenza artificiale come il riconoscimento delle entità denominate (Named Entity Recognition, NER), l'elaborazione del linguaggio naturale (Natural Language Processing, NLP), l'analisi del sentiment, la ricerca semantica e altre ancora. Ognuno di questi è fondamentale per estrarre informazioni dai big data.

I modelli di apprendimento automatico sono in grado di apprendere in modo autonomo grazie alle reti neurali artificiali (RNA) che vi sono codificate. Le RNA sono algoritmi che comprendono i punti di dati e correlano gli schemi come fanno gli esseri umani, rendendo i modelli di ML più intelligenti man mano che elaborano più dati.

Con un numero maggiore di strati neurali, le RNA sono in grado di comprendere semanticamente i dati di milioni di entità rappresentate sotto forma di Knowledge Graphs. Questa forma avanzata di algoritmi RNA si traduce in Deep Learning (DL), un campo secondario in grado di riconoscere schemi altamente complessi in qualsiasi tipo di dati per la creazione di modelli analitici e predittivi.

Per ottenere informazioni dai big data, i modelli ML devono essere sottoposti a un processo di training. Se addestrati con dati di qualità, possono essere utilizzati con successo per l'analisi del sentiment sui social media e l'analisi dei commenti per estrarre informazioni sul marchio, sui clienti e sul mercato.