Glossario AI

Supervised Learning – Apprendimento Supervisionato
Approccio in cui il modello viene addestrato su dati etichettati (input con output già noti).
Esempio: classificare email come “spam” o “non spam” a partire da dataset già etichettati.

Unsupervised Learning – Apprendimento Non Supervisionato
L’algoritmo cerca pattern e strutture nei dati senza etichette.
Esempio: algoritmi di clustering come K-Means per segmentare clienti in gruppi.

Reinforcement Learning (RL) – Apprendimento per Rinforzo
L’agente impara tramite interazioni con l’ambiente, massimizzando una ricompensa.
Esempio: AlphaGo di DeepMind che ha imparato a giocare a Go superando i campioni umani.

Self-Supervised Learning – Apprendimento Auto-Supervisionato
Variante dove il modello genera le etichette dai dati stessi, creando compiti di pre-addestramento.
Esempio: BERT addestrato prevedendo parole mancanti in frasi.

Few-Shot Learning – Apprendimento con Pochi Esempi
Capacità di apprendere nuovi compiti con pochissimi dati di addestramento.
Esempio: GPT-4 che risolve compiti con solo 2-3 esempi nel prompt.

Zero-Shot Learning – Apprendimento senza Esempi
Il modello affronta compiti mai visti, basandosi sulla generalizzazione appresa.
Esempio: classificare testi in lingue non presenti nel dataset di training.

Transfer Learning – Apprendimento Trasferito
Tecnica che riutilizza un modello addestrato su un grande dataset come base per un nuovo compito.
Esempio: usare ResNet pre-addestrato su ImageNet e adattarlo alla classificazione di immagini mediche.

Meta-Learning – Apprendimento dell’Apprendere
Approccio in cui l’AI impara a generalizzare rapidamente da pochi dati, migliorando efficienza e adattabilità.

Federated Learning – Apprendimento Federato
Metodo in cui i modelli vengono addestrati su dispositivi locali (es. smartphone) senza condividere i dati grezzi, preservando privacy.
Esempio: usato da Google per migliorare la tastiera Gboard senza inviare i dati utente ai server.

Active Learning – Apprendimento Attivo
Approccio in cui il modello sceglie quali dati etichettare, ottimizzando il processo di training.

Online Learning – Apprendimento Online
L’algoritmo si aggiorna continuamente con nuovi dati senza dover riaddestrare da zero.

Ensemble Learning – Apprendimento Ensemble
Combina più modelli per ottenere prestazioni migliori rispetto a un singolo modello.
Esempio: Random Forest (insieme di alberi decisionali).