📈 Introduzione al Machine Learning

Il Machine Learning (ML) è un campo affascinante all’intersezione tra matematica, statistica e informatica. L’obiettivo è creare sistemi capaci di imparare dai dati in modo autonomo, senza essere programmati esplicitamente per ogni compito. Che si tratti di prevedere il prezzo di una casa, riconoscere un volto in una foto o consigliare un film, gli algoritmi di ML si basano su solide fondamenta matematiche.

Pilastri Matematici Fondamentali:

• Algebra Lineare: Fornisce gli strumenti (vettori, matrici) per rappresentare e manipolare i dati in modo efficiente.
• Probabilità: Permette di modellare e quantificare l’incertezza intrinseca nei dati e nelle previsioni.
• Statistica: Offre metodi per trarre conclusioni significative (inferenza) dai dati osservati.

Questa guida esplorerà questi concetti con un approccio pratico, pensato per chi vuole capire le basi senza perdersi in tecnicismi eccessivi.

📐 Algebra Lineare: Il Linguaggio dei Dati

L’algebra lineare è essenziale nel ML perché ci permette di rappresentare i dati (spesso tabulari o multidimensionali come le immagini) e le operazioni su di essi in modo compatto ed efficiente.

Vettori e Matrici

• Vettore: Una lista ordinata di numeri. Può rappresentare un singolo punto dati (es. le caratteristiche di una casa) o un punto nello spazio.

  • Esempio:

  $\mathbf{v} = \left[ \text{metratura}, \text{numero\_stanze}, \text{eta\_ed} \right] \rightarrow [120, 3, 15]$

• Matrice: Una tabella rettangolare di numeri. Può rappresentare un intero dataset (righe=campioni, colonne=features) o una trasformazione da applicare ai dati.

  • Esempio: Un dataset con 3 case e le loro 3 features.

    $X = \begin{bmatrix} 120 & 3 & 15 \\ 85 & 2 & 5 \\ 200 & 4 & 20 \end{bmatrix}$

Operazioni Base

• Somma di Vettori: Si sommano gli elementi corrispondenti.
  • $[1, 2] + [3, 4] = [1+3, 2+4] = [4, 6]$
• Prodotto Scalare (Dot Product): Somma dei prodotti degli elementi corrispondenti. Misura la “somiglianza” o l’allineamento tra vettori.
  • $[1, 2] \cdot [3, 4] = (1 \times 3) + (2 \times 4) = 3 + 8 = 11$
• Prodotto Matrice-Vettore: Trasforma un vettore (es. applica una rotazione o uno scaling).
• Prodotto Matrice-Matrice: Combina trasformazioni o operazioni complesse sui dati.
  • $A = \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix}, \quad B = \begin{bmatrix} 5 & 6 \ 7 & 8 \end{bmatrix}$
  • $AB = \begin{bmatrix} 1 \cdot 5 + 2 \cdot 7 & 1 \cdot 6 + 2 \cdot 8 \ 3 \cdot 5 + 4 \cdot 7 & 3 \cdot 6 + 4 \cdot 8 \end{bmatrix} = \begin{bmatrix} 19 & 22 \ 43 & 50 \end{bmatrix}$

Spazi Vettoriali e Trasformazioni Lineari

• Spazio Vettoriale: Un insieme di vettori dove le operazioni di somma e moltiplicazione per scalare sono definite e “chiuse”.