Gli strumenti di machine learning sono un'affollata famiglia di tecniche mature e efficaci per risolvere problemi interdisciplinari che vanno dall’analisi dei sensori all’analisi dei testi. In questo workshop abbiamo visto quali sono le loro potenzialità e possibilità di applicazione e come valutarne i risultati. Gabriele Lami di Elif Lab ci ha mostrato quali sono le applicazioni delle tecniche di macchine Learning nell'elaborazione di dati acquisiti dal campo attraverso sistemi IoTl

1. Gabriele Lami - Founder Elif Lab
Firenze - 25 Ottobre - Commit University
Machine learning:
potenzialità e utilizzi
www.eliflab.com

2. www.eliflab.com
Machine Learning
▪ Definizione e introduzione
▪ Esempio audio
▪ Esempio video + dati
▪ Esempio Reinforcement Learning

3. www.eliflab.com
Cos'é il machine learning?
Algoritmi che utilizzano tecniche statistiche che forniscono a
un sistema computerizzato la possibilità di imparare dai dati
senza una programmazione specifica.

4. www.eliflab.com
Lo stile di colorazione è
appreso e applicato a
un dato nuovo.
https://paintschainer.preferred.tech

5. www.eliflab.com
A cosa serve?
- Casistiche non coperte da altre discipline
(algoritmi classici, statistica)
- Non si ha un’idea o un modello preciso di come sono stati
generati dei dati.
- Si parte dall’idea che esiste una struttura tra i dati o tra dati
e concetti più generali.
Non solo big data

6. www.eliflab.com
A cosa serve?
Efficace nell’approccio di problemi la cui soluzione può essere
illustrata con esempi:
- Analisi immagini
- Analisi suono
- Analisi testo e parlato

7. www.eliflab.com
Disciplina vasta e confini non chiari
Capacità:
- Descrittive
- Predittive
- Generative
Principali applicazioni:
- Classificazione
- Regressione
- Clustering
- Riduzione dimensionale

8. www.eliflab.com
Diversi tipi di apprendimento
Apprendimento:
- Supervisionato
- Semi-supervisionato
- Attivo
- Non supervisionato
- Per rinforzo

9. www.eliflab.com
Molte tecniche
Famose e meno note:
- Decision tree
- Clustering
- Association rule learning
- SVM, Learning classifier systems
- ANN, deepNN , GAN etc
- Bayesian networks
- Manifold learning
- Genetic algorithms
- ILP (Inductive logic programming)
- ...

10. www.eliflab.com
Rappresentazione vettoriale-metrica
I dati diventano vettori
L’obiettivo è legato a un
concetto di distanza

11. www.eliflab.com
Rappresentazione a network
I dati sono rappresentati da nodi e archi

12. www.eliflab.com
Rappresentazione algebrico-logica

13. www.eliflab.com
Machine learning vs AI?
AI è un concetto più ampio.
Es: MinMax: algoritmo di AI classico
per giochi come Tris e Scacchi non è
ML
AlphaGo - combinazione di algoritmi
ML e MCTS

14. www.eliflab.com
Successi
Problemi affrontati con maggiore
successo:
- Analisi testi - NLP
- Analisi immagini, suoni
- Finanza/economia
per superare i modelli econometrici

15. www.eliflab.com
Come si applicano
- Definizione obiettivo!
- Rappresentazione corretta dei dati
- Gestione dei dati spuri
(Gli outliers sono un valore o rumore? Spesso entrambe le cose)
- Scelta del metodo (trade off tra performance e costo)

16. www.eliflab.com
- Valutazione statistica
- Se l’algoritmo deve sostituire un processo umano (es
classificazione immagini) la comparazione con le performance
umane sono essenziali (meglio non fermarsi alle valutazioni
statistiche su dataset standard)
Come si valutano i risultati?

17. www.eliflab.com
MNIST vs Zalando
A MNIST-like fashion product
database.
Benchmark point_right
http://fashion-mnist.s3-web
site.eu-ce…

18. www.eliflab.com
Esempio audio
- Dataset iniziale: canzoni in formato mp3
- Obiettivo: far emergere affinità rispetto alla componente
melodica
- Estrazione componente melodica (modello probabilistico)
- Estrazione pattern di similitudine di pattern all’interno delle
singole canzoni (algoritmo su rappresentazione a grafo)
- Riduzione dimensionale e clustering
(distanza tra sequenze)

19. www.eliflab.com
Clustering rispetto a pattern musica
Spettrogramma della componente melodica

20. www.eliflab.com

21. www.eliflab.com

22. www.eliflab.com
Classificazione - Esempio video + dati
Progetto R&D CV screening
- Dati: questionari e interviste video
- Obiettivo: fornire un’informazione
arricchita al recruiter e un ordine di
precedenza
L’algoritmo non sceglie ma affianca

23. www.eliflab.com
Informazioni
Rispetto alla letteratura esistente sono proxy per informazioni
quali: atteggiamento, approccio emotivo e logico
- Battito cardiaco
- Movimenti testa e occhi
- Velocità risposte
- Info da questionario

24. www.eliflab.com
Classificazione - Esempio video + dati
Riconoscimento dei punti del viso
Due algoritmi differenti di ML:
- Riconoscimento del viso
- Riconoscimento dei punti chiave
del viso

25. www.eliflab.com
Estrazione caratteristiche importanti
Attività oculare.
- Punti rappresentativi degli
occhi
- Tecniche di analisi dei
segnali per rendere
stabile il dato
- Analisi delle frequenze
Battito cardiaco.
- È possibile inferire il battito
cardiaco dalle variazioni di
colore della pelle (fronte)
- Problema chiave è
l’affidabilità e la qualità
del dato

26. www.eliflab.com
Battito palpebre
Battito palpebre
- Il segnale originale va
trattato con tecniche di
analisi dei segnali
- È necessario
riconoscere e
eliminare i dati spuri
(outlier detection)

27. www.eliflab.com
Classificazione - Esempio video + dati
Estrazione dati dal viso + dati da questionario per valutare il
candidato.
Valutazione viene effettuata con algoritmi di classificazione (ML)
che hanno come training set alcuni dipendenti che hanno ottime
performance rispetto agli obiettivi aziendali.
Si possono evidenziare le correlazioni tra variabili e l’importanza
delle variabili.

28. www.eliflab.com
Reinforcement learning
- Ambiente complesso
- Limitata possibilità
sensoriale
- Concetto di esplorazione
- Interazione con l'ambiente
L’obiettivo è apprendere una
strategia dall’esperienza
https://www.cs.ubc.ca/~van/papers/2016-TOG-deepRL/index.html

29. www.eliflab.com
Reinforcement learning
- AI per droni-robot
e giochi
- Chatbot
- Filtri adattivi
- Pubblicità online
- A-B testing

30. www.eliflab.com
Reinforcement learning
- Drone autonomo
- Obiettivo: recuperare i
funghi verdi e evitare i
rossi
- Visibilità limitata (cerchio)
- 4 azioni possibili
- Reward (+1 green, -1 red)
Algoritmo di Deep Q Learning

31. Gabriele Lami
ELIF LAB srl
http://www.eliflab.com
Mail to:
gabriele@eliflab.com