Introduzione all'apprendimento non supervisionato

L'apprendimento non supervisionato, una tipologia fondamentale di machine learning, continua a evolversi. Questo approccio, che si concentra su vettori di input senza valori target corrispondenti, ha registrato sviluppi notevoli nella capacità di raggruppare e interpretare le informazioni in base a somiglianze, schemi e differenze. I più recenti progressi nei modelli deep di apprendimento non supervisionato hanno potenziato questa capacità, consentendo una comprensione più sfumata di dataset complessi.

Nel 2024, gli algoritmi di apprendimento non supervisionato, che tradizionalmente non si basano su mappature input-output, sono diventati ancora più autonomi ed efficienti nello scoprire le strutture sottostanti dei dati non etichettati. Questa indipendenza da "un insegnante" è stata rafforzata dall'avvento di sofisticate tecniche di apprendimento auto-supervisionato, riducendo significativamente la dipendenza dai dati etichettati.

Inoltre, il settore ha compiuto passi avanti nell'integrazione dell'apprendimento non supervisionato con altre discipline dell'IA, come il reinforcement learning, dando vita a sistemi più adattivi e intelligenti. Questi sistemi eccellono nell'identificare pattern e anomalie nei dati, aprendo la strada ad applicazioni innovative in vari settori. Questo articolo approfondisce l'apprendimento non supervisionato, esplorandone le diverse tipologie e i relativi utilizzi. 

Supervisionato vs non supervisionato 

Nella tabella seguente, abbiamo messo a confronto alcune delle principali differenze tra apprendimento supervisionato e non supervisionato: 

Tipologie di apprendimento non supervisionato

Nell'introduzione, abbiamo detto che l'apprendimento non supervisionato è un metodo che usiamo per raggruppare i dati quando non sono presenti etichette. Poiché non ci sono etichette, i metodi non supervisionati vengono in genere applicati per costruire una rappresentazione concisa dei dati, così da poterne ricavare contenuti creativi. 

Per esempio, se stessimo lanciando un nuovo prodotto, potremmo usare metodi non supervisionati per identificare quale sarà il target del nuovo prodotto: questo perché non ci sono informazioni storiche su chi sia il cliente tipo e sulle sue caratteristiche demografiche. 

Ma l'apprendimento non supervisionato può essere suddiviso in tre compiti principali: 

• Clustering
• Regole di associazione
• Riduzione della dimensionalità.  

Vediamoli più nel dettaglio:

Clustering

Da un punto di vista teorico, le istanze all'interno dello stesso gruppo tendono ad avere proprietà simili. Puoi osservare questo fenomeno nella tavola periodica. I membri dello stesso gruppo, separati da diciotto colonne, hanno lo stesso numero di elettroni negli strati più esterni dei loro atomi e formano legami dello stesso tipo. 

Questa è l'idea alla base degli algoritmi di clustering; i metodi di clustering implicano il raggruppamento di dati non etichettati sulla base delle loro somiglianze e differenze. Quando due istanze compaiono in gruppi diversi, possiamo dedurre che abbiano proprietà dissimili. 

Il clustering è un tipo popolare di approccio non supervisionato. Puoi suddividerlo ulteriormente in diverse tipologie; per esempio: 

• Clustering esclusivo: i dati sono raggruppati in modo che un singolo punto dati appartenga esclusivamente a un solo cluster. 
• Clustering sovrapposto: un clustering soft in cui un singolo punto dati può appartenere a più cluster con gradi di appartenenza variabili. 
• Clustering gerarchico: un tipo di clustering in cui i gruppi sono creati in modo che le istanze simili siano nello stesso gruppo e gli oggetti diversi in altri gruppi. 
• Clustering probabilistico: i cluster sono creati usando una distribuzione di probabilità.

Estrazione di regole di associazione

Questo tipo di apprendimento automatico non supervisionato adotta un approccio basato su regole per scoprire relazioni interessanti tra le feature in un dataset. Funziona utilizzando una misura di interesse per identificare regole forti presenti all'interno di un dataset. 

In genere vediamo l'estrazione di regole di associazione utilizzata per la market basket analysis: è una tecnica di data mining che i rivenditori usano per comprendere meglio i modelli di acquisto dei clienti in base alle relazioni tra vari prodotti. 

L'algoritmo più usato per l'apprendimento di regole di associazione è l'algoritmo Apriori. Tuttavia, per questo tipo di apprendimento non supervisionato si utilizzano anche altri algoritmi, come Eclat e FP-growth. 

Riduzione della dimensionalità

Gli algoritmi popolari per la riduzione della dimensionalità includono l'analisi delle componenti principali (PCA) e la Decomposizione ai Valori Singolari (SVD). Questi algoritmi mirano a trasformare i dati da spazi ad alta dimensionalità a spazi a bassa dimensionalità senza compromettere le proprietà significative presenti nei dati originali. Queste tecniche sono in genere impiegate durante l'exploratory data analysis (EDA) o l'elaborazione dei dati per prepararli alla modellazione.

È utile ridurre la dimensionalità di un dataset durante l'EDA per aiutare a visualizzare i dati: questo perché visualizzare dati in più di tre dimensioni è difficile. Dal punto di vista dell'elaborazione, ridurre la dimensionalità dei dati semplifica il problema di modellazione.

Quando al modello vengono fornite più feature in input, il modello deve apprendere una funzione di approssimazione più complessa. Questo fenomeno può essere riassunto con l'espressione "maledizione della dimensionalità." 

Applicazioni dell'apprendimento non supervisionato

La maggior parte dei dirigenti non avrebbe difficoltà a individuare casi d'uso per compiti di machine learning supervisionato; lo stesso non si può dire per il non supervisionato. 

Una possibile ragione è legata alla natura stessa del rischio. L'apprendimento non supervisionato introduce molto più rischio rispetto al supervisionato, poiché non esiste un modo chiaro per misurare i risultati rispetto alla verità a terra in modo offline, e potrebbe essere troppo rischioso condurre una valutazione online. 

Nonostante ciò, esistono diversi validi casi d'uso dell'apprendimento non supervisionato a livello enterprise. Oltre alle tecniche non supervisionate per esplorare i dati, alcuni casi d'uso comuni nel mondo reale includono: 

• Natural Language Processing (NLP). Google News è noto per sfruttare l'apprendimento non supervisionato per categorizzare gli articoli basandosi sulla stessa notizia proveniente da varie testate. Per esempio, i risultati della finestra di calciomercato possono essere tutti categorizzati sotto calcio.
• Analisi di immagini e video. Compiti di percezione visiva come il riconoscimento di oggetti sfruttano l'apprendimento non supervisionato.
• Rilevamento di anomalie. L'apprendimento non supervisionato viene utilizzato per identificare punti dati, eventi e/o osservazioni che si discostano dal comportamento normale di un dataset.
• Segmentazione dei clienti. È possibile creare profili di buyer persona interessanti usando l'apprendimento non supervisionato. Questo aiuta le aziende a comprendere i tratti comuni e le abitudini di acquisto dei clienti, consentendo di allineare meglio i prodotti.
• Motori di raccomandazione. Il comportamento di acquisto passato, unito all'apprendimento non supervisionato, può aiutare le aziende a scoprire trend nei dati da utilizzare per sviluppare strategie di cross-selling efficaci.

Esempio di apprendimento non supervisionato in Python

La principal component analysis (PCA) è il processo di calcolo delle componenti principali e del loro utilizzo per eseguire un cambio di base sui dati. In altre parole, la PCA è una tecnica di riduzione della dimensionalità non supervisionata. 

È utile ridurre la dimensionalità di un dataset per due motivi principali: 

1. Quando in un dataset ci sono troppe dimensioni per poterlo visualizzare 
2. Per identificare le n dimensioni più predittive per la selezione delle feature nella costruzione di un modello predittivo. 

In questa sezione, implementeremo l'algoritmo PCA in Python sul dataset Iris e lo visualizzeremo con matplotlib. Dai un'occhiata a questo DataLab workbook per seguire il codice usato in questo tutorial. 

Iniziamo importando le librerie necessarie e i dati.

from sklearn.datasets import load_iris # Dataset
from sklearn.decomposition import PCA # Algorithm
import matplotlib.pyplot as plt # Visualization

# Load the data 
iris_data = load_iris(as_frame=True)

# Preview
iris_data.data.head()

Il dataset Iris ha quattro feature. Cercare di visualizzare dati in quattro o più dimensioni è impossibile perché non abbiamo alcuna idea di come apparirebbero in uno spazio così ad alta dimensionalità. La cosa migliore che possiamo fare è rappresentarli in tre dimensioni, il che non è impossibile ma resta impegnativo. 

Per esempio:

"""
Credit: Rishikesh Kumar Rishi
Link: https://www.tutorialspoint.com/how-to-make-a-4d-plot-with-matplotlib-using-arbitrary-data
"""
plt.rcParams["figure.figsize"] = [7.00, 3.50]
plt.rcParams["figure.autolayout"] = True

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
sepal_length = iris_data.data["sepal length (cm)"]
sepal_width = iris_data.data["sepal width (cm)"]
petal_length = iris_data.data["petal length (cm)"]
petal_width = iris_data.data["petal width (cm)"]

ax.scatter(sepal_length, sepal_width, petal_length, c=petal_width)
plt.show()

È piuttosto difficile ricavare insight da questa visualizzazione perché tutte le istanze sono ammassate: in questo scenario, quando visualizziamo dati in tre dimensioni, abbiamo accesso a un solo punto di vista.  

Con la PCA possiamo ridurre le dimensioni dei dati a due, rendendo così più semplice visualizzarli e distinguere le classi. 

Nota: scopri come implementare la PCA in R in "Principal Component Analysis in R Tutorial."

# Instantiate PCA with 2 components
pca = PCA(n_components=2)

# Train the model 
pca.fit(iris_data.data)
iris_data_reduced = pca.fit_transform(iris_data.data)

# Plot data
plt.scatter(
    iris_data_reduced[:,0],
    iris_data_reduced[:,1],
    c=iris_data.target
)
plt.show()

Nel codice sopra, trasformiamo le feature del dataset Iris mantenendo solo due componenti e poi tracciamo i dati ridotti in un piano bidimensionale.  

Ora è molto più facile ricavare informazioni sui dati e su come sono separate le classi. Possiamo usare questo insight per decidere i prossimi passi se volessimo adattare un modello di machine learning ai nostri dati. 

Considerazioni finali

L'apprendimento non supervisionato si riferisce a una classe di problemi nel machine learning in cui un modello viene utilizzato per caratterizzare o estrarre relazioni nei dati. 

Al contrario dell'apprendimento supervisionato, gli algoritmi non supervisionati scoprono la struttura sottostante di un dataset utilizzando solo le feature di input. Ciò significa che i modelli non supervisionati non richiedono un insegnante che li corregga, a differenza del supervisionato. 

In questo articolo hai imparato le tre principali tipologie di apprendimento non supervisionato: estrazione di regole di associazione, clustering e riduzione della dimensionalità. Hai anche visto diverse applicazioni del non supervisionato e come effettuare la riduzione della dimensionalità usando l'algoritmo PCA in Python. 

Perché non dare un'occhiata a queste risorse per proseguire la tua formazione: 

• Corso Unsupervised Learning in R 
• Tutorial Introduzione al clustering k-Means con Scikit-learn in Python
• Corso Cluster Analysis in R
• DBSCAN: A Macroscopic Investigation in Python tutorial
• Tutorial NLP con BERT