mirror of
https://github.com/Steffo99/unisteffo.git
synced 2024-11-24 17:04:20 +00:00
machinelearning: Complete lesson 1
This commit is contained in:
parent
8693f06997
commit
3c2e1155ec
GPG key ID:
6965406171929D01
1 changed files with 139 additions and 45 deletions
|
|
@ -1,4 +1,4 @@
|
||||||
import {Heading, Chapter, Box, ListUnordered, BringAttention as B, Idiomatic as I} from "@steffo/bluelib-react"
|
import {Heading, Chapter, Box, ListUnordered, BringAttention as B, Idiomatic as I, UAnnotation as U, Parenthesis, Quote} from "@steffo/bluelib-react"
|
||||||
import type { NextPage, NextPageContext } from 'next'
|
import type { NextPage, NextPageContext } from 'next'
|
||||||
import { Link } from '../../../components/link'
|
import { Link } from '../../../components/link'
|
||||||
import 'katex/dist/katex.min.css';
|
import 'katex/dist/katex.min.css';
|
||||||
|
|
@ -22,8 +22,8 @@ const Page: NextPage = () => {
|
||||||
</Link>
|
</Link>
|
||||||
</Heading>
|
</Heading>
|
||||||
<Chapter>
|
<Chapter>
|
||||||
<Heading level={3}>
|
<Heading level={2}>
|
||||||
Concetto base
|
Apprendimento
|
||||||
</Heading>
|
</Heading>
|
||||||
<Box>
|
<Box>
|
||||||
<Heading level={3}>
|
<Heading level={3}>
|
||||||
|
|
@ -44,71 +44,165 @@ const Page: NextPage = () => {
|
||||||
<Chapter>
|
<Chapter>
|
||||||
<Box>
|
<Box>
|
||||||
<Heading level={3}>
|
<Heading level={3}>
|
||||||
Supervised learning
|
Training set
|
||||||
</Heading>
|
</Heading>
|
||||||
<p>
|
<p>
|
||||||
Quando <B>si è a conoscenza</B> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
|
Insieme di associazioni su cui ci si basa per <B>creare</B> il modello matematico.
|
||||||
</p>
|
</p>
|
||||||
<p>
|
<Parenthesis>
|
||||||
In particolare, i problemi risolti in questo caso sono detti:
|
Il codice di programmazione del modello!
|
||||||
</p>
|
</Parenthesis>
|
||||||
<ListUnordered>
|
|
||||||
<ListUnordered.Item>
|
|
||||||
<I>Problemi di <B>binary classification</B></I> se <TeX math={r`\mathbb{Y} = \{ +1, -1 \}`}/>
|
|
||||||
</ListUnordered.Item>
|
|
||||||
<ListUnordered.Item>
|
|
||||||
<I>Problemi di <B>multi-class classification</B></I> se <TeX math={r`\mathbb{Y} = \{ 0, 1, \dots, n \}`}/>
|
|
||||||
</ListUnordered.Item>
|
|
||||||
<ListUnordered.Item>
|
|
||||||
<I>Problemi di <B>regression</B></I> se <TeX math={r`\mathbb{Y} = \{ 0, 1, \dots, n \}`}/>
|
|
||||||
</ListUnordered.Item>
|
|
||||||
</ListUnordered>
|
|
||||||
</Box>
|
</Box>
|
||||||
<Box>
|
<Box>
|
||||||
<Heading level={3}>
|
<Heading level={3}>
|
||||||
Unsupervised learning
|
Validation set
|
||||||
</Heading>
|
</Heading>
|
||||||
<p>
|
<p>
|
||||||
Quando <B>non si è a conoscenza</B> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
|
Insieme di associazioni usate per <B>verificare</B> che il modello matematico sia <I>valido</I>.
|
||||||
</p>
|
</p>
|
||||||
|
<Parenthesis>
|
||||||
|
La Continuous Integration del modello!
|
||||||
|
</Parenthesis>
|
||||||
|
</Box>
|
||||||
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Testing set
|
||||||
|
</Heading>
|
||||||
<p>
|
<p>
|
||||||
In particolare, i problemi risolti in questo caso sono detti:
|
Insieme di associazioni usate per <B>determinare l'efficacia</B> del modello matematico.
|
||||||
</p>
|
</p>
|
||||||
<ListUnordered>
|
<Parenthesis>
|
||||||
<ListUnordered.Item>
|
Il benchmark del modello!
|
||||||
<I>Problemi di <B>novelty detection</B></I> se si cerca di capire se qualcosa è simile o nuovo rispetto agli elementi precedenti
|
</Parenthesis>
|
||||||
</ListUnordered.Item>
|
|
||||||
<ListUnordered.Item>
|
|
||||||
<I>Problemi di <B>clustering</B></I> se si cerca di trovare gruppi a cui potrebbero appartenere gli elementi
|
|
||||||
</ListUnordered.Item>
|
|
||||||
</ListUnordered>
|
|
||||||
</Box>
|
</Box>
|
||||||
</Chapter>
|
</Chapter>
|
||||||
</Box>
|
</Box>
|
||||||
</Chapter>
|
</Chapter>
|
||||||
<Chapter>
|
<Chapter>
|
||||||
<Box todo>
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Supervised learning
|
||||||
|
</Heading>
|
||||||
|
<p>
|
||||||
|
Quando <U builtinColor={"lime"}>si è a conoscenza</U> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
In particolare, i problemi risolti in questo caso sono detti:
|
||||||
|
</p>
|
||||||
|
<ListUnordered>
|
||||||
|
<ListUnordered.Item>
|
||||||
|
<I>Problemi di <B>binary classification</B></I> se <TeX math={r`\mathbb{Y} = \{ +1, -1 \}`}/>
|
||||||
|
</ListUnordered.Item>
|
||||||
|
<ListUnordered.Item>
|
||||||
|
<I>Problemi di <B>multi-class classification</B></I> se <TeX math={r`\mathbb{Y} = \{ 0, 1, \dots, n \}`}/>
|
||||||
|
</ListUnordered.Item>
|
||||||
|
<ListUnordered.Item>
|
||||||
|
<I>Problemi di <B>regression</B></I> se <TeX math={r`\mathbb{Y} = \{ 0, 1, \dots, n \}`}/>
|
||||||
|
</ListUnordered.Item>
|
||||||
|
</ListUnordered>
|
||||||
|
</Box>
|
||||||
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Unsupervised learning
|
||||||
|
</Heading>
|
||||||
|
<p>
|
||||||
|
Quando <U builtinColor={"red"}>non si è a conoscenza</U> del dominio dello spazio di output <Y/>, il machine learning è detto <I>supervised learning</I>.
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
In particolare, i problemi risolti in questo caso sono detti:
|
||||||
|
</p>
|
||||||
|
<ListUnordered>
|
||||||
|
<ListUnordered.Item>
|
||||||
|
<I>Problemi di <B>novelty detection</B></I> se si cerca di capire se qualcosa è simile o nuovo rispetto agli elementi precedenti
|
||||||
|
</ListUnordered.Item>
|
||||||
|
<ListUnordered.Item>
|
||||||
|
<I>Problemi di <B>clustering</B></I> se si cerca di trovare gruppi a cui potrebbero appartenere gli elementi
|
||||||
|
</ListUnordered.Item>
|
||||||
|
</ListUnordered>
|
||||||
|
</Box>
|
||||||
|
</Chapter>
|
||||||
|
<Chapter>
|
||||||
|
<Heading level={2}>
|
||||||
|
Ottimizzazione
|
||||||
|
</Heading>
|
||||||
|
<Box>
|
||||||
<Heading level={3}>
|
<Heading level={3}>
|
||||||
Come un problema di ottimizzazione
|
Come un problema di ottimizzazione
|
||||||
</Heading>
|
</Heading>
|
||||||
<p>
|
<p>
|
||||||
Possiamo astrarre il machine learning come il seguente problema di ottimizzazione di <B>minimizzazione dell'errore</B>:
|
Possiamo astrarre il machine learning come il seguente problema di ottimizzazione:
|
||||||
</p>
|
</p>
|
||||||
<p>
|
<p>
|
||||||
<TeX block math={r`\min_{f \in H} \quad \sum_{i=1}^N \quad V(y_i, f(x_i)) \quad + \quad \lambda \| f \|^2`}/>
|
<TeX block math={r`\min_{f \in \mathcal{H}} \left( \quad \sum_{i=1}^N \hspace{0.5em} V(y_i, f(x_i)) \quad + \quad \lambda \| f \|^2 \quad \right)`}/>
|
||||||
</p>
|
</p>
|
||||||
<Chapter>
|
<Parenthesis>
|
||||||
<Box todo>
|
<Quote>Trova la <B>funzione</B> che minimizza gli <B>errori sul training set</B> e la <B>complessità della funzione</B>, dando opzionalmente <B>priorità</B> a uno dei due addendi.</Quote>
|
||||||
<Heading level={3}>
|
</Parenthesis>
|
||||||
Loss function
|
</Box>
|
||||||
</Heading>
|
</Chapter>
|
||||||
</Box>
|
<Chapter>
|
||||||
<Box todo>
|
<Box>
|
||||||
<Heading level={3}>
|
<Heading level={3}>
|
||||||
Complessità della funzione
|
Hypothesis space
|
||||||
</Heading>
|
</Heading>
|
||||||
</Box>
|
<p>
|
||||||
</Chapter>
|
<TeX block math={r`\mathcal{H}`}/>
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
<I>Spazio</I> delle <B>funzioni adatte</B> a descrivere la relazione tra input e output.
|
||||||
|
</p>
|
||||||
|
</Box>
|
||||||
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Loss function
|
||||||
|
</Heading>
|
||||||
|
<p>
|
||||||
|
<TeX block math={r`\sum_{i=1}^N \hspace{0.5em} V(y_i, f(x_i))`}/>
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
Funzione <u>predeterminata</u> che <B>determina l'errore</B> del modello su un elemento del training set.
|
||||||
|
</p>
|
||||||
|
</Box>
|
||||||
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Complessità della funzione
|
||||||
|
</Heading>
|
||||||
|
<p>
|
||||||
|
<TeX block math={r`\| f \|^2`}/>
|
||||||
|
</p>
|
||||||
|
<Parenthesis todo>
|
||||||
|
Non ancora spiegato.
|
||||||
|
</Parenthesis>
|
||||||
|
<Parenthesis todo>
|
||||||
|
È la <I>norma a infinito al quadrato</I> o la <I>norma quadratica</I>?
|
||||||
|
</Parenthesis>
|
||||||
|
</Box>
|
||||||
|
<Box>
|
||||||
|
<Heading level={3}>
|
||||||
|
Priorità
|
||||||
|
</Heading>
|
||||||
|
<p>
|
||||||
|
<TeX block math={r`\lambda`}/>
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
Parametro moltiplicativo <U>predeterminato</U> che permette di selezionare quanta <B>importanza</B> dare agli errori sul training set rispetto alla complessità del modello.
|
||||||
|
</p>
|
||||||
|
<Parenthesis>
|
||||||
|
<p>
|
||||||
|
Se <U>minore</U> di 1, prioritizza gli errori.<br/>
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
Se <U>maggiore</U> di 1, prioritizza la semplicità.
|
||||||
|
</p>
|
||||||
|
</Parenthesis>
|
||||||
|
<Parenthesis>
|
||||||
|
<p>
|
||||||
|
Se troppo <U>basso</U>, il modello commette <B>overfitting</B>.
|
||||||
|
</p>
|
||||||
|
<p>
|
||||||
|
Se troppo <U>alto</U>, il modello <B>perde accuratezza</B>.
|
||||||
|
</p>
|
||||||
|
</Parenthesis>
|
||||||
</Box>
|
</Box>
|
||||||
</Chapter>
|
</Chapter>
|
||||||
</>
|
</>
|
||||||
|
|
|
||||||
Loading…
Reference in a new issue