Definizione
L’Apprendimento Supervisionato è una tecnica di Machine Learning (ML) in cui un modello viene addestrato su un dataset etichettato, cioè un insieme di dati in cui ogni esempio è associato a una risposta corretta (etichetta o valore target). L’obiettivo è apprendere una funzione che mappa gli input alle etichette corrispondenti, in modo da poter fare previsioni su nuovi dati non visti.
Questo processo si basa su due principali tipologie di problemi:
- Classificazione: Il modello assegna un’etichetta discreta a ciascun dato di input (es. diagnosi di una malattia: sano o malato).
- Regressione: Il modello prevede un valore continuo (es. previsione della progressione di una patologia nel tempo).
L’addestramento avviene ottimizzando una funzione di perdita che misura l’errore tra le previsioni del modello e i valori reali. Algoritmi comuni di apprendimento supervisionato includono le reti neurali profonde, Support Vector Machines (SVM), alberi decisionali e modelli di regressione.
Applicazioni in medicina
- Diagnosi automatizzata: un modello può imparare a distinguere tra immagini di tessuti sani e cancerosi.
- Predizione di malattie: Algoritmi addestrati su dati clinici (es. cartelle elettroniche, esami del sangue) possono prevedere il rischio di diabete, malattie cardiovascolari o degenerative.
