Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Importante
Questo articolo fornisce informazioni sull'uso di Azure Machine Learning SDK v1. L'SDK v1 è deprecato a partire dal 31 marzo 2025 e il supporto per questo terminerà il 30 giugno 2026. È possibile installare e usare l'SDK v1 fino a tale data.
È consigliabile passare all'SDK v2 prima del 30 giugno 2026. Per altre informazioni sull'SDK v2, vedere Informazioni su Azure Machine Learning Python SDK v2 e informazioni di riferimento sull'SDK v2.
Il foglio informativo sugli algoritmi di Azure Machine Learning aiuta a scegliere il giusto algoritmo dalla finestra di progettazione per un modello di analisi predittiva.
Nota
La finestra di progettazione supporta due tipi di componenti: i componenti predefiniti classici (v1) e i componenti personalizzati (v2). Questi due tipi di componenti NON sono compatibili.
I componenti predefiniti classici forniscono componenti predefiniti principalmente per l'elaborazione dati e le attività di Machine Learning tradizionali come la regressione e la classificazione. Questo tipo di componente continua a essere supportato, ma non avrà nuove aggiunte future.
I componenti personalizzati consentono di eseguire il wrapping del codice personalizzato come componente. Questa opzione supporta la condivisione di componenti tra aree di lavoro e la creazione senza interruzioni nelle interfacce di Studio, CLI v2 e SDK v2.
Per i nuovi progetti, è consigliabile usare un componente personalizzato che sia compatibile con AzureML V2 e che continui a ricevere nuovi aggiornamenti.
Questo articolo si applica ai componenti predefiniti classici non compatibili con CLI v2 e SDK v2.
Azure Machine Learning include una grande libreria di algoritmi delle famiglie di classificazione, sistemi di raccomandazione, clustering, rilevamento anomalie, regressione e analisi del testo. Ognuno è progettato per risolvere un tipo diverso di problema di Machine Learning.
Per altre informazioni, vedere Come selezionare gli algoritmi.
Download: Foglio informativo sugli algoritmi di Machine Learning
Download del foglio informativo: Foglio informativo sugli algoritmi di Machine Learning (27,9 x 43,2 cm).
Scaricare e stampare il foglio informativo sugli algoritmi di Machine Learning in formato tabloid per averlo sempre a disposizione quando è necessario scegliere un algoritmo.
Come usare il foglio informativo sugli algoritmi di Machine Learning
I consigli offerti in questo foglio informativo sugli algoritmi sono regole empiriche puramente indicative. Alcuni possono essere modificati, altri totalmente ignorati. Questo foglio informativo è pensato per suggerire un punto di partenza. È anche possibile provare a eseguire un confronto in parallelo tra diversi algoritmi sui dati. Non è semplicemente possibile sostituire la comprensione dei principi di ogni algoritmo e del sistema che ha generato i dati.
Ogni algoritmo di apprendimento automatico ha il proprio stile o bias induttivo. Per un problema specifico, possono essere appropriati diversi algoritmi, uno solo dei quali può rivelarsi la scelta più adatta rispetto agli altri. Non è sempre possibile, tuttavia, conoscere in anticipo la soluzione ottimale. In casi simili, nel foglio informativo sono elencati insieme diversi algoritmi. Una strategia appropriata può essere quella di provare un algoritmo e quindi provarne altri se i risultati del primo non sono soddisfacenti.
Per altre informazioni sugli algoritmi nella finestra di progettazione di Azure Machine Learning, vedere Informazioni di riferimento su algoritmi e componenti.
Tipi di Machine Learning
L'apprendimento automatico si divide in tre categorie principali: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo.
Apprendimento supervisionato
Nell'apprendimento supervisionato ogni punto dati è etichettato con o associato a una categoria o un valore di interesse. Un esempio di un'etichetta di categoria è l'assegnazione di un'immagine come "gatto" o "cane". Un esempio di un'etichetta di valore è il prezzo di vendita associato a un'auto usata. L'obiettivo di apprendimento controllato consiste nello studio di molti esempi etichettati come questi e quindi di essere in grado di eseguire stime sui futuri punti dati, ad esempio l'identificazione di nuove foto con l'animale corretto o l'assegnazione di prezzi di vendita precisi ad altre auto usate. Questo tipo di Machine Learning è utile e diffuso.
Apprendimento non supervisionato
Nell'apprendimento non supervisionato ai punti dati non sono associate etichette. L'obiettivo di un algoritmo di apprendimento non supervisionato è invece l'organizzazione dei dati in un certo modo o la descrizione della loro struttura. L’apprendimento non supervisionato raggruppa i dati in cluster, come K-means, o trova modi diversi per esaminare i dati complessi in modo che risultino più semplici.
Apprendimento per rinforzo
Nell'apprendimento per rinforzo l'algoritmo arriva a scegliere un'azione in risposta a ogni punto dati. Si tratta di un approccio comune in robotica, in cui il set di letture del sensore in un certo momento è un punto dati e l'algoritmo deve scegliere l'azione successiva del robot. Questo approccio è ideale anche per applicazioni "Internet delle cose" (Internet of Things, IoT). L'algoritmo di apprendimento riceve anche un segnale di ricompensa poco dopo, a indicare il livello di correttezza della decisione presa. In base a questo segnale, l'algoritmo modifica la propria strategia per ottenere il risultato migliore.