Glossario

Riconoscimento di pattern

Che cos’è Riconoscimento di pattern?

Il riconoscimento di pattern è l’identificazione automatica di regolarità, strutture o caratteristiche ricorrenti in dati come immagini, suoni, testi o misurazioni. I sistemi assegnano nuove osservazioni a categorie note oppure scoprono gruppi senza indicazioni predefinite. Applicazioni tipiche sono il riconoscimento facciale e della scrittura a mano, il controllo qualità in produzione o l’individuazione di transazioni anomale. È una base importante dell’apprendimento automatico.

Temi

fondamenti
classificazione
analisi dei dati

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Apprendimento automatico

L’apprendimento automatico (machine learning) è un ambito dell’intelligenza artificiale in cui i computer ricavano schemi dai dati invece di ricevere ogni regola programmata in modo esplicito. A seconda del compito, i modelli imparano da esempi etichettati (supervisionato), da dati non etichettati (non supervisionato) o tramite ricompense (per rinforzo). Le applicazioni vanno dai filtri antispam alle previsioni della domanda fino ai suggerimenti di prodotto. La qualità dipende molto da quantità e qualità dei dati di addestramento.

fondamenti
IA
+1

Riconoscimento delle immagini

Il riconoscimento delle immagini è un ambito della computer vision in cui un software individua che cosa mostra un'immagine: oggetti, persone, testo, loghi o scene. Si basa di solito su reti neurali addestrate con molte immagini etichettate. Le applicazioni vanno dal controllo qualità in produzione alla classificazione di foto di prodotti fino al supporto nella diagnostica per immagini. Con immagini di persone occorre prestare particolare attenzione a protezione dei dati e possibili distorsioni.

Computer vision
Analisi immagini
+1

Classificatore

Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.

Classificazione
Machine learning
+1

Modello

Clustering

Il clustering è un metodo di apprendimento non supervisionato che suddivide i dati in gruppi in base alla loro somiglianza, senza categorie predefinite. Fa emergere schemi che nessuno aveva ancora individuato, ad esempio segmenti di clienti con comportamenti d'acquisto simili. Con i testi, il clustering aiuta a ordinare centinaia di richieste dei clienti per temi come consegna, fatturazione o reclami e a riconoscerne le priorità.

apprendimento non supervisionato
raggruppamento
+1

Modello