WEBVTT
Kind: captions
Language: it

00:00:00.000 --> 00:00:04.319
La nostra capacità di imparare a svolgere

00:00:04.319 --> 00:00:06.299
compiti tramite l'esperienza è parte

00:00:06.299 --> 00:00:07.319
della nostra crescita come esseri umani

00:00:07.319 --> 00:00:09.330
Appena nati, non conosciamo nulla

00:00:09.330 --> 00:00:11.219
e non siamo in grado di provvedere a noi stessi

00:00:11.219 --> 00:00:13.320
Ma presto accumuliamo esperienze e diventiamo

00:00:13.320 --> 00:00:15.990
ogni giorno più autonomi; ma sapevi che

00:00:15.990 --> 00:00:18.990
i Computer possono fare la stessa cosa? Il Machine Learning

00:00:18.990 --> 00:00:20.640
unisce statistica e

00:00:20.640 --> 00:00:22.680
informatica e rende i Computer in grado

00:00:22.680 --> 00:00:24.449
di apprendere come svolgere un compito specifico senza

00:00:24.449 --> 00:00:27.180
essere stato appositamente programmato. Proprio come

00:00:27.180 --> 00:00:29.640
il tuo cervello utilizza l'esperienza per apprendere

00:00:29.640 --> 00:00:33.030
così può fare il tuo Computer. Per esempio, potresti avere bisogno di un PC

00:00:33.030 --> 00:00:34.590
che sia in grado di distinguere tra

00:00:34.590 --> 00:00:36.360
l'immagine di un cane e di un gatto

00:00:36.360 --> 00:00:39.300
Potresti allora cominciare sottoponendogli immagini diverse

00:00:39.300 --> 00:00:39.989
e spiegando:

00:00:39.989 --> 00:00:42.540
"Questo è un cane, questo è un gatto"

00:00:42.540 --> 00:00:44.460
Un computer programmato per imparare cercherà

00:00:44.460 --> 00:00:46.320
trend statistici all'interno dei dati

00:00:46.320 --> 00:00:48.210
che gli permettano di riconoscere un gatto

00:00:48.210 --> 00:00:51.030
o un cane. In futuro potrebbe capire

00:00:51.030 --> 00:00:53.190
da solo che i gatti hanno musi più corti o

00:00:53.190 --> 00:00:55.199
che i cani compaiono in una più larga varietà

00:00:55.199 --> 00:00:57.420
di taglie e rappresentare queste informazioni numeriche in un dataset.

00:00:57.420 --> 00:01:03.120
E' cruciale che sia il computer e non il

00:01:03.120 --> 00:01:05.010
programmatore ad identificare questi trend

00:01:05.010 --> 00:01:06.960
e a stabilire un algoritmo tramite cui

00:01:06.960 --> 00:01:09.360
gli input futuri verranno riconosciuti. Un esempio

00:01:09.360 --> 00:01:10.619
di un semplice ma molto efficace

00:01:10.619 --> 00:01:12.869
algoritmo è di trovare la linea di separazione ottimale

00:01:12.869 --> 00:01:15.000
tra gatti e cani.

00:01:15.000 --> 00:01:16.890
Quando il computer vede una nuova figura controlla

00:01:16.890 --> 00:01:18.420
su quale lato della linea la figura ricade e

00:01:18.420 --> 00:01:22.500
e sceglie tra gatto e cane. Ovviamente

00:01:22.500 --> 00:01:26.549
possono esservi degli errori; più dati

00:01:26.549 --> 00:01:28.049
il computer riceve

00:01:28.049 --> 00:01:29.549
più l'algoritmo viene affinato

00:01:29.549 --> 00:01:31.470
e più accurato può dimostrarsi

00:01:31.470 --> 00:01:34.979
nelle sue predizioni. Il Machine Learning è

00:01:34.979 --> 00:01:37.650
già ampiamente applicato. E' la tecnologia

00:01:37.650 --> 00:01:39.840
dietro il riconoscimento facciale, il riconoscimento

00:01:39.840 --> 00:01:43.259
automatico dei testi

00:01:43.259 --> 00:01:45.149
i filtri di spam della tua mail

00:01:45.149 --> 00:01:48.270
i suggerimenti sullo shopping online

00:01:48.270 --> 00:01:50.790
il riconoscimento delle frodi e molto altro.

00:01:50.790 --> 00:01:52.619
I ricercatori di Machine Learning dell'

00:01:52.619 --> 00:01:54.899
Università di Oxford stanno combinando statistica

00:01:54.899 --> 00:01:56.369
e informatica per costruire algoritmi

00:01:56.369 --> 00:01:58.710
che possono risolvere problemi ancora più complessi

00:01:58.710 --> 00:02:00.960
in modo più efficiente, usando meno potenza di calcolo.

00:02:00.960 --> 00:02:01.630
 

00:02:01.630 --> 00:02:03.789
Dalle diagnosi mediche ai Social Media

00:02:03.789 --> 00:02:06.820
Il potenziale del Machine Learning di

00:02:06.820 --> 00:02:08.560
trasformare il nostro mondo è davvero

00:02:08.560 --> 00:02:13.390
sorprendente. Per scoprire di più

00:02:13.390 --> 00:02:23.340
visitate www.OxfordSparks.ox.ac.uk e seguiteci su Twitter e Facebook