Introduzione all'Intelligenza Artificiale (IA)

Study Notes

L'IA è un campo multidisciplinare che si concentra sulla creazione di macchine in grado di svolgere compiti che normalmente richiederebbero intelligenza umana.
Gli obiettivi principali dell'IA includono comprendere l'intelligenza umana e costruire macchine intelligenti.

L'IA è definita come la capacità di una macchina di imitare funzioni cognitive umane come l'apprendimento e la risoluzione dei problemi.

Il Test di Turing è un esperimento mentale ideato per rispondere alla domanda "Una macchina può pensare?".
Un computer supera il test se un esaminatore umano, comunicando con la macchina attraverso un'interfaccia scritta, non riesce a distinguere se le risposte provengono da un essere umano o da una macchina.
Per superare il Test di Turing, un computer deve possedere diverse capacità come l'elaborazione del linguaggio naturale, la rappresentazione della conoscenza, il ragionamento automatizzato e l'apprendimento automatico.

Per dire che un programma pensa come un essere umano, dobbiamo prima comprendere come pensano gli esseri umani.
Ci sono tre metodi principali per capire come pensano gli esseri umani: l'introspezione, gli esperimenti psicologici e l'imaging cerebrale.

Aristotele è considerato uno dei pionieri del pensiero razionale.
Egli tentò di codificare il "pensiero corretto" attraverso i sillogismi, che sono strutture argomentative che garantiscono conclusioni corrette date premesse corrette.

L'approccio del pensare razionalmente è spesso implementato tramite il concetto di agente razionale.
Un agente razionale è un'entità che percepisce il proprio ambiente e agisce in modo da massimizzare le proprie possibilità di successo.

Il Machine Learning è il campo di studi che offre ai computer la capacità di apprendere senza essere programmati in modo esplicito.
Il Machine Learning è un sotto-campo dell'Intelligenza Artificiale in cui la conoscenza proviene dall'esperienza e dall'induzione.

Secondo Arthur Samuel, il Machine Learning è il campo di studi che offre ai computer la capacità di apprendere senza essere programmati in modo esplicito.
Un'altra definizione fornita da Tom Mitchell descrive il Machine Learning come, "Un programma per computer impara dall'esperienza E rispetto a qualche compito T e qualche misura di prestazione P, se la sua prestazione su T, misurata da P, migliora con l'esperienza E".

Nell'apprendimento supervisionato, l'agente osserva le coppie input-output e apprende una funzione che mappa gli input agli output.
Esempi di apprendimento supervisionato includono la classificazione di immagini e la predizione dei prezzi delle case.

Nell'apprendimento non supervisionato, l'agente apprende i modelli nell'input senza alcun feedback esplicito.
L'attività di apprendimento non supervisionato più comune è il clustering, ovvero il raggruppamento di esempi di input in cluster utili.
Esempi di clustering includono la segmentazione di mercato e l'analisi dei social network.

Il Machine Learning è un campo potente e versatile che consente ai computer di imparare dai dati e migliorare le proprie prestazioni in vari compiti.
Dall'apprendimento supervisionato e non supervisionato all'apprendimento con rinforzo e ai sistemi di raccomandazione, le tecniche di machine learning stanno rivoluzionando settori come l'analisi dei dati, la visione artificiale, la guida autonoma e molti altri.