Tipi di apprendimento automatico: supervisionato, non supervisionato, semi-supervisionato e altri

Apprendimento supervisionato, non supervisionato, semi-supervisionato, auto-supervisionato e per rinforzo, con definizioni precise, spiegazioni in parole semplici e animazioni di algoritmi reali.

15 minuti Matěj Žalmánek 2026-10-15

Serie Basi di IA Parte 42 di 52

1. Mappa dell’intelligenza artificiale: che cos’è ciascuna cosa e come si incastra tutto
2. Breve storia dell’intelligenza artificiale: da Turing ai modelli linguistici
3. Dati, modello, addestramento, inferenza: i concetti di base su un unico esempio
4. Come leggere la notazione matematica: simboli, indici, sommatorie e quantificatori
5. Insiemi e relazioni: i mattoncini con cui si costruiscono le definizioni nell’IA
6. Funzioni e applicazioni: perché ogni modello di IA è una funzione
7. Logica e dimostrazioni: le regole con cui si ragiona nell’IA
8. Grafi e alberi: la struttura su cui poggiano la ricerca e le reti neurali
9. Algebra lineare per l’apprendimento automatico: vettori, matrici e perché l’IA soprattutto moltiplica
10. Derivate, gradiente e regola della catena: come un modello capisce in quale direzione imparare
11. Discesa del gradiente: come impara un modello
12. Che cos’è la probabilità: dal lancio di un dado agli assiomi di Kolmogorov
13. Probabilità condizionata e teorema di Bayes: come cambiare una stima quando scopri qualcosa di nuovo
14. Variabile aleatoria e funzione di ripartizione: una sola funzione che dice tutto sulla distribuzione
15. Funzione di densità e funzione di massa: perché una variabile continua ha probabilità zero in un punto
16. Valore atteso, varianza e covarianza: dove si trova una distribuzione, quanto è larga e che cosa è legato a che cosa
17. Panoramica delle distribuzioni di probabilità: Bernoulli, binomiale, Poisson, uniforme, normale ed esponenziale
18. Legge dei grandi numeri e teorema del limite centrale: perché le medie si comportano in modo così prevedibile
19. Statistica e stima dei parametri: massima verosimiglianza, MAP e intervalli di confidenza
20. Teoria dell’informazione: entropia, entropia incrociata e divergenza KL — da dove vengono le funzioni di perdita
21. Ricerca nello spazio degli stati: BFS, DFS, UCS e A* con animazioni
22. Giochi e avversari: minimax, potatura alfa-beta e Monte Carlo tree search
23. Soddisfacimento di vincoli: backtracking, propagazione dei vincoli e AC-3 su un sudoku e una mappa delle regioni ceche
24. Logica e sistemi basati sulla conoscenza: concatenazione in avanti e all’indietro, risoluzione e sistemi esperti
25. Pianificazione: STRIPS, il mondo dei blocchi, euristiche dal rilassamento e pianificazione negli agenti IA
26. Ricerca locale e ricottura simulata: un commesso viaggiatore tra i capoluoghi di regione cechi
27. Algoritmi genetici: popolazione, incrocio, mutazione e selezione su uno zaino per l’escursione
28. Strategie evolutive e programmazione genetica: dalla regola di un quinto alla legge di Keplero
29. Ottimizzazione con colonie di formiche: come una traccia di feromone trova un percorso breve
30. Ottimizzazione a sciame di particelle: inerzia, esperienza propria ed esperienza dello sciame
31. Neuroevoluzione: evoluzione dei pesi e della forma delle reti neurali e l’algoritmo NEAT
32. Insiemi fuzzy e funzioni di appartenenza: come scrivere «un po’ caldo»
33. Logica fuzzy e probabilità: perché «un po’ caldo» non significa «probabilmente caldo»
34. Logica fuzzy: t-norme, implicazioni e regole SE–ALLORA
35. Controllo fuzzy: Mamdani e Sugeno, dal ventilatore al pendolo inverso su un carrello
36. Clustering fuzzy: l’algoritmo fuzzy c-means e i punti tra i cluster
37. Sistemi neuro-fuzzy (ANFIS): regole fuzzy che imparano dai dati
38. Catene di Markov: matrice di transizione, distribuzione stazionaria e PageRank
39. Modelli di Markov nascosti: l’algoritmo di Viterbi e il casinò disonesto
40. Reti bayesiane: perché l’erba è bagnata e che cosa significa per l’irrigatore
41. Filtro di Kalman: come stimare da misure imprecise dove si trova un’auto e a che velocità va
42. Tipi di apprendimento automatico: supervisionato, non supervisionato, semi-supervisionato e altri
43. Prompt, contesto e RAG: come dare a un modello le informazioni giuste
44. Autoencoder variazionali (VAE): immagini nuove da uno spazio latente continuo
45. Reti generative avversarie (GAN): il falsario contro il detective
46. Modelli di diffusione: come il rumore puro diventa un’immagine
47. Processi decisionali di Markov: stati, azioni, ricompense ed equazioni di Bellman
48. Q-learning e DQN: imparare il valore delle azioni, dalla tabella alla rete neurale
49. Policy gradient e PPO: imparare direttamente la politica
50. Come funziona un agente IA: un modello linguistico in un ciclo con strumenti
51. Programmare con agenti IA: incarico, test e controllo
52. Valutazione e sicurezza dei sistemi di IA: come misurare e come sorvegliare

Programma completo della serie 52 di 83 argomenti pubblicati

«Il modello l’ha imparato.» Questa frase suona sempre uguale, ma significa cose molto diverse. A volte il modello ha imparato da migliaia di foto su cui qualcuno aveva scritto che cosa mostrano. Altre volte ha ricevuto solo un mucchio di dati senza una sola etichetta e doveva trovarci un ordine. E altre volte ancora ha imparato come un cane all’addestramento: provando, e ricevendo un premio per i passi giusti.

Per questo l’apprendimento automatico si suddivide in base a quale segnale riceve il modello mentre impara. Passeremo in rassegna i tipi principali, dall’apprendimento supervisionato fino all’apprendimento per rinforzo. Per ciascuno troverai una definizione precisa, una spiegazione in parole semplici e un grafico che è il risultato reale di un algoritmo: niente è disegnato a mano.

1. Che cosa significa che una macchina impara

Definizione — apprendimento (T. Mitchell, 1997)

Si dice che un programma impara dall’esperienza E rispetto a una classe di compiti T e a una misura di prestazione P se la sua prestazione nei compiti di T, misurata da P, migliora con l’esperienza E.

Definizione — modello e parametri

Un modello è una funzione f_θ : 𝒳 → 𝒴 dallo spazio degli input 𝒳 allo spazio degli output 𝒴, determinata da parametri θ ∈ ℝ^p.

L’apprendimento (addestramento) è la ricerca dei parametri θ che minimizzano una funzione obiettivo J(θ) calcolata sui dati, tipicamente con la discesa del gradiente θ ← θ − η ∇J(θ).

I principali tipi di apprendimento in breve: differiscono per ciò che è disponibile nei dati.

2. Apprendimento supervisionato (supervised learning)

Definizione — apprendimento supervisionato

È dato un insieme di addestramento D = {(x_i, y_i)}_i=1ⁿ di coppie input–etichetta, estratte in modo indipendente da una distribuzione sconosciuta P(X, Y), e una funzione di perdita L(ŷ, y) ≥ 0.

Cerchiamo il modello che minimizza il rischio empirico: θ* = argmin_θ (1/n) ∑_i=1ⁿ L(f_θ(x_i), y_i).

L’obiettivo però non è l’insieme di addestramento: il modello deve funzionare bene su dati nuovi provenienti dalla stessa distribuzione (generalizzazione). Per questo la prestazione si misura su un insieme di test tenuto da parte.

A seconda di che cosa sia l’etichetta y, distinguiamo due compiti.

Classificazione

Definizione — classificazione

Le etichette appartengono a un insieme finito di classi: y ∈ {1, …, K}. La perdita più comune è l’entropia incrociata L = −∑_k [y = k] log p_θ(k | x).

Regressione logistica per due classi: p(y = 1 | x) = σ(w^⊤x + b), dove σ(z) = 1 / (1 + e^−z). Il confine di decisione è la retta w^⊤x + b = 0.

Nel grafico ci sono 60 punti di due classi. Il confine parte apposta nel posto sbagliato e la discesa del gradiente lo sposta epoca dopo epoca finché non separa le classi:

Regressione

Definizione — regressione

Le etichette sono numeri reali: y ∈ ℝ. La perdita più comune è l’errore quadratico medio MSE = (1/n) ∑_i (f(x_i) − y_i)².

Per la regressione lineare f(x) = ax + b, il minimo dell’MSE ha forma chiusa: a = ∑(x_i − x̄)(y_i − ȳ) / ∑(x_i − x̄)², b = ȳ − ax̄ (metodo dei minimi quadrati).

L’apprendimento supervisionato alimenta la maggior parte delle applicazioni pratiche: filtri antispam, riconoscimento facciale, diagnosi dalle radiografie, stima del prezzo degli immobili. Ha però una condizione costosa: qualcuno deve etichettare i dati. E spesso è la parte più cara dell’intero progetto.

3. Apprendimento non supervisionato (unsupervised learning)

Definizione — apprendimento non supervisionato

È dato solo un insieme di input D = {x_i}_i=1ⁿ ⊂ 𝒳, senza etichette. Cerchiamo la struttura della distribuzione P(X): gruppi, una rappresentazione a bassa dimensione o la densità p(x) stessa.

Clustering: k-means

Definizione — k-means

Dividi i punti in k cluster C₁, …, C_k con centri μ₁, …, μ_k in modo che sia minima la somma dei quadrati entro i cluster:

J = ∑_j=1^k ∑_{x ∈ Cj} ‖x − μ_j‖².

L’algoritmo di Lloyd alterna due passi: (1) assegna ogni punto al centro più vicino, (2) sposta ogni centro nella media dei suoi punti. Nessun passo aumenta J, quindi l’algoritmo termina, ma solo in un minimo locale.

I centri (le croci) partono apposta tutti dall’angolo in basso a sinistra. Già dopo la prima iterazione si dirigono verso i loro gruppi, e dopo quattro iterazioni smettono di muoversi.

Altri compiti non supervisionati: la riduzione della dimensionalità (per esempio la PCA proietta i dati su poche direzioni in cui variano di più, utile sia per la visualizzazione sia per la compressione), il rilevamento di anomalie (ciò che non somiglia a nulla di già noto: un pagamento fraudolento, un guasto di una macchina) e la stima della densità.

4. Apprendimento semi-supervisionato (semi-supervised learning)

Definizione — apprendimento semi-supervisionato

Sono dati un piccolo insieme etichettato D_L = {(x_i, y_i)}_i=1^l e uno grande non etichettato D_U = {x_j}_j=l+1^l+u, dove u ≫ l. L’obiettivo è lo stesso dell’apprendimento supervisionato, ma per raggiungerlo si sfrutta anche D_U.

Funziona solo sotto una delle seguenti ipotesi:

• regolarità: punti vicini hanno la stessa etichetta,
• cluster: i punti di uno stesso cluster hanno la stessa etichetta, il confine tra le classi passa per le zone poco dense,
• varietà: i dati giacciono su una superficie a bassa dimensione e la distanza va misurata lungo di essa.

Propagazione delle etichette su un grafo

Costruisci un grafo in cui ogni punto è collegato ai suoi k vicini più prossimi (qui k = 4). A ogni turno, ogni punto non etichettato che ha un vicino etichettato riceve l’etichetta della maggioranza dei vicini etichettati. Ripeti finché restano punti non etichettati.

I dati sono due «lune» da 40 punti ciascuna. Solo due punti hanno un’etichetta, uno per luna, evidenziati da un contorno. Gli altri sono grigi:

Le etichette si diffondono lungo le lune come un incendio nell’erba secca e in 10 turni tutti i punti sono etichettati correttamente. Se ignorassimo i dati non etichettati e classificassimo ogni punto solo in base a quale dei due punti etichettati è più vicino, sarebbe corretto solo l’84 %: le estremità delle lune sono più vicine al punto etichettato dell’altra luna che al proprio. A fare la differenza è proprio la forma dei dati, che conosciamo solo grazie ai punti non etichettati.

In modo simile funzionano le pseudo-etichette (self-training): un modello addestrato sul piccolo insieme etichettato etichetta i dati non etichettati su cui è più sicuro e continua a imparare anche da quelli.

5. Apprendimento auto-supervisionato (self-supervised learning)

Definizione — apprendimento auto-supervisionato

I dati non sono etichettati, D = {x_i}, ma da ogni x si ricava automaticamente una coppia (x̃, t) = g(x): x̃ è una parte o una versione danneggiata dell’input e t ciò che vi manca. Il modello impara in modo supervisionato su questo compito pretesto (pretext task).

Previsione del token successivo: così si pre-addestrano i grandi modelli linguistici. Un testo è una sequenza di token x₁, …, x_T e si massimizza

∑_t=1^T log p_θ(x_t | x₁, …, x_t−1).

Tecnicamente l’apprendimento auto-supervisionato è apprendimento supervisionato, ma le etichette non costano nulla, ed è per questo che si può applicare a tutto internet. Per le immagini si usa un trucco simile: il modello riceve due ritagli diversi della stessa foto e impara che vanno insieme (apprendimento contrastivo). Il risultato, il cosiddetto modello di base (foundation model), viene poi perfezionato per un compito specifico su una piccola quantità di dati etichettati.

6. Apprendimento per rinforzo (reinforcement learning)

Definizione — processo decisionale di Markov

L’ambiente è una quintupla (S, A, P, R, γ): stati S, azioni A, probabilità di transizione P(s′ | s, a), ricompensa R(s, a, s′) e fattore di sconto γ ∈ [0, 1).

L’agente sceglie le azioni secondo una politica π(a | s). L’obiettivo è massimizzare il ritorno atteso G = ∑_t≥0 γ^t r_t.

Il Q-learning impara il valore Q(s, a), cioè il ritorno atteso dopo l’azione a nello stato s, con la regola

Q(s, a) ← Q(s, a) + α [r + γ max_a′ Q(s′, a′) − Q(s, a)].

L’agente (arancione) si muove su una griglia. Ogni passo costa −1, il traguardo dà +10 e la trappola −10; nei muri non si può entrare. All’inizio non sa nulla. Dopo 600 episodi di Q-learning (α = 0,5, γ = 0,95, con esplorazione casuale nel 20 % dei passi), le frecce mostrano la migliore azione appresa in ogni casella:

L’agente prende la strada più breve verso il traguardo ed evita la trappola. Come ha imparato si vede dal ritorno medio: nei primi 50 episodi era −11,1 (l’agente vagava e cadeva nella trappola), negli ultimi 50 già −1,8; la differenza rispetto all’ottimo è dovuta all’esplorazione casuale, che l’agente non disattiva durante l’addestramento.

L’apprendimento per rinforzo c’è dietro i programmi che hanno battuto i campioni del mondo di go, dietro il controllo dei robot e anche dietro il perfezionamento dei modelli linguistici: l’RLHF (apprendimento per rinforzo dal feedback umano) usa come ricompensa un modello addestrato su quali risposte le persone hanno valutato meglio.

7. Altri modi di suddividere

Il tipo di insegnante non è l’unico criterio. Eccone alcuni altri che incontrerai:

Definizione — apprendimento per trasferimento (transfer learning)

I parametri θ₀ appresi su un compito sorgente vengono usati come punto di partenza per un compito obiettivo: θ* = argmin_θ J_obiettivo(θ), cercato a partire da θ₀, spesso solo su una piccola parte dei parametri (perfezionamento, fine-tuning).

Definizione — apprendimento attivo

Il modello sceglie da sé quali x ∈ D_U far etichettare, tipicamente quelli con l’incertezza maggiore, per esempio con l’entropia più alta H(p_θ(· | x)).

Definizione — modelli generativi e discriminativi

Un modello discriminativo impara direttamente p(y | x) o un confine di decisione. Un modello generativo impara la distribuzione dei dati p(x), eventualmente p(x, y), e sa campionarne dati nuovi.

E poi l’apprendimento batch e quello online (il modello viene addestrato una volta su tutti i dati, oppure impara di continuo da ogni nuovo esempio) e i modelli parametrici e non parametrici (un numero fisso di parametri come la regressione logistica, oppure un modello che cresce con i dati come i k vicini più prossimi).

8. Confronto

9. Riepilogo

• I tipi di apprendimento differiscono per l’esperienza E che riceve il modello: risposte corrette, solo dati, un po’ di entrambi, risposte ricavate dai dati, oppure premi per le azioni.
• L’apprendimento supervisionato è il più diretto, ma richiede etichette costose.
• Quello non supervisionato cerca una struttura; in quello semi-supervisionato i dati non etichettati aiutano a estendere poche etichette a tutto il resto.
• L’auto-supervisionato ricava le etichette dai dati stessi: su di esso si basano gli attuali modelli linguistici.
• L’apprendimento per rinforzo insegna ad agire: provare, raccogliere premi e pensare in anticipo.

In pratica i tipi si combinano. Un grande modello linguistico viene pre-addestrato con l’apprendimento auto-supervisionato, perfezionato in modo supervisionato su risposte di esempio e infine con l’apprendimento per rinforzo in base alle valutazioni delle persone. Tre tipi di apprendimento in un solo modello, quello con cui forse stai chattando proprio adesso.

La vedi diversamente? Scrivi a support@coden-app.com.