In che modo i giornalisti possono utilizzare il Machine Learning  (ML) per migliorare il proprio lavoro? Questa è la domanda che analizzeremo in questo corso.

Il corso ti aiuterà a capire quali sono le situazioni in cui il ML si rivela come lo strumento giusto per supportare il tuo lavoro editoriale e ti insegnerà ad addestrare un modello per il riconoscimento delle immagini.

Questo è il seguito del corso Introduzione al Machine Learning. Se non lo hai ancora seguito, ti invitiamo a farlo prima di procedere con questo modulo.

Il primo corso, Introduzione al Machine Learning, esplora il potenziale offerto dal machine learning alle testate giornalistiche e spiega come i giornalisti possono utilizzarlo in modo responsabile per migliorare le proprie inchieste.

L'obiettivo di questo corso consiste invece nel compiere un ulteriore passo avanti e mostrare, tramite un esempio concreto che introdurremo nella prossima lezione, quali risultati possono ottenere i giornalisti con l'utilizzo del machine learning. Se vuoi imparare come funziona in pratica il ML e come puoi usarlo per riportare le tue storie, questo è il corso che fa per te.

Vuol dire che diventerai un esperto di machine learning e un data scientist? No, ci dispiace, ma avrai comunque appreso i passaggi che sottostanno al funzionamento della maggior parte dei processi di machine learning e sarai in grado di eseguire esperimenti per conto tuo.

Prima di continuare, assicuriamoci di sapere di cosa stiamo parlando. Che cos'è il Machine Learning?

Il Machine Learning parte di un insieme di tecnologie raggruppate sotto il termine generico di "intelligenza artificiale" (AI).  Come con la maggior parte dei termini utilizzati nel campo dell'intelligenza artificiale, non esiste una definizione unica di machine learning.

In parole povere, il machine learning - letteralmente, apprendimento automatico -  è una tecnologia che utilizza i dati per rispondere alle domande. Più formalmente,  indica l'uso di algoritmi che apprendono schemi dai dati e sono in grado di eseguire compiti senza essere esplicitamente programmati per farlo. 

Inoltre, una caratteristica distintiva dei sistemi di machine learning è che migliorano le loro prestazioni attraverso esperienza e dati. O, in altre parole: imparano.

Tieni presente che non esiste un solo modo per far apprendere una macchina. I diversi approcci al machine learning si distinguono generalmente per i tipi di problemi che cercano di risolvere, nonché per il tipo e la quantità di feedback forniti.

Fondamentalmente, possiamo dividere il machine learning in tre sotto-aree: 1) Apprendimento supervisionato; 2) Apprendimento senza supervisione; 3) Apprendimento per rinforzo. Riguarda il corso Introduzione al Machine Learning per capire meglio cosa differenzia queste tre categorie.

Per raggiungere lo scopo prefissato da questo corso, ci concentreremo sull'apprendimento supervisionato. Ciò significa che utilizzeremo esempi etichettati per addestrare un algoritmo ad assegnare automaticamente l'etichetta corretta a ogni nuovo esempio che gli chiederemo di analizzare.

Ora che abbiamo esaminato le basi, siamo pronti a concludere questa introduzione e proseguire oltre.

Nelle prossime due lezioni introdurremo un caso studio su cui si baserà il nostro esercizio e l'algoritmo che utilizzeremo per comprendere le dinamiche che stanno alla base della maggior parte dei processi di machine learning.

Le lezioni che seguono vanno intese come una vera e propria guida passo-passo su: come reperire e preparare i dati, come allenare il  modello di machine learning e come testarne e valutarne le prestazioni.

La lezione conclusiva riassumerà gli insegnamenti chiave, ti aiuterà a capire come applicarli nelle tue inchieste o lavori quotidiani e ti suggerirà altre risorse che potrai utilizzare per immergerti ancora più in profondità nel mondo del Machine Learning.