Big Data

CdL in Management
Digitale, a.a. 2025/26
Prof. Gianluca Solazzo, Ph.D.
Dipartimento di Scienze dell’Economia
Università del Salento
Agenda
• Introduzione al Machine Learning
• Modelli di apprendimento e loro ciclo di vita
• Definizione dei paradigmi di apprendimento
• Apprendimento supervisionato, non supervisionato, per rinforzo

09/11/2025 Prof. Gianluca Solazzo, Ph.D. - University of Salento 2

Dai Big Data all’Intelligenza Artificiale
• Abbiamo esplorato il mondo dei Big Data, la materia prima della
rivoluzione digitale.
• Ora ci concentriamo sul motore che trasforma questa materia
prima in valore: l'Intelligenza Artificiale (AI), e in particolare la
sua branca più dinamica e influente, il Machine Learning (ML).

09/11/2025 Prof. Gianluca Solazzo, Ph.D. - University of Salento 3

Le tecniche di Intelligenza Artificiale

AI (Artificial Intelligence): tutte le tecniche e i sistemi

progettati per imitare l’intelligenza umana:
ragionamento, pianificazione, linguaggio naturale,
percezione visiva, ecc.
ML (Machine Learning): Algoritmi che consentono ai
computer di apprendere dai dati.
Neural Nets (Reti Neurali): Modelli computazionali
ispirate alla struttura del cervello umano, che usano su
neuroni artificiali interconnessi.
Deep Learning: Reti neurali con più strati, utilizzate
per apprendere rappresentazioni gerarchiche dei dati.

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 4

Machine Learning
• Il Machine Learning è la disciplina che studia e progetta algoritmi e
modelli che consentono ai computer di eseguire compiti, formulare
previsioni, riconoscere pattern o prendere decisioni senza che ogni
singola regola o istruzione sia stata esplicitamente programmata da un
essere umano.
• La caratteristica fondamentale del ML è dunque la capacità di
apprendere dai dati.
• Anziché seguire istruzioni predefinite, un sistema di ML analizza una
grande quantità di esempi (dati storici), individua regolarità nascoste e
progressivamente migliora le proprie prestazioni, un po’ come fa
l’uomo imparando dall’esperienza.
09/11/2025 Prof. Gianluca Solazzo, Ph.D. - University of Salento 5
Modelli di apprendimento
• Ciò avviene solitamente grazie all’utilizzo di un modello di
apprendimento: una rappresentazione matematica o computazionale
che, a partire da un insieme di dati, adatta i propri parametri interni
per individuare regolarità, strutture o relazioni utili allo svolgimento
di un compito (predizione, classificazione, raggruppamento, decisione,
generazione, ecc.), senza essere esplicitamente programmato per
ogni caso specifico.
• Lo sviluppo di un modello di Machine Learning non è un evento unico e
isolato, ma un processo ciclico e iterativo, noto come ciclo di vita del
ML (Machine Learning Lifecycle).

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 6

Ciclo di vita di un modello di ML
• Raccolta Dati:
• Componenti e flusso di una Ingestion Pipeline
• Preparazione Dati:
• Data cleaning, transformation, reduction / sampling ,
Feature selection / extraction, Data split
• Scelta del Modello e Addestramento:
• Selezione algoritmo, Ottimizzazione parametri.
Apprendimento e affinamento capacità predittiva.
Regolazione iperparametri.
• Valutazione del Modello:
• Verifica su set di dati separato (test set). Misurazione
della capacità di generalizzazione.
• Messa in Produzione (Deployment):
• Integrazione in sistemi/processi decisionali reali.
• Monitoraggio:
• Osservazione performance nel tempo. Individuazione
cali, drift dei dati, nuove esigenze.
09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 7
Paradigmi di apprendimento
• Esistono tre principali paradigmi di apprendimento:
• Apprendimento supervisionato (Supervised Learning): il modello viene addestrato su
un insieme di dati etichettati, cioè per ciascun input è fornito anche l’output corretto.
L’obiettivo è imparare una funzione che mappa gli input sugli output e utilizzarla per
prevedere le etichette di dati nuovi.
• Apprendimento non supervisionato (Unsupervised Learning): il modello lavora su
dati non etichettati, senza output predefinito. Lo scopo è scoprire pattern, strutture o
relazioni nascoste all’interno dei dati, ad esempio raggruppamenti o riduzioni
dimensionali.
• Apprendimento per rinforzo (Reinforcement Learning): un agente impara agendo in un
ambiente, ricevendo ricompense o penalità in base alle azioni intraprese. L’obiettivo è
sviluppare una politica di azione che massimizzi la ricompensa cumulata, senza l’uso
diretto di esempi input-output etichettati

09/11/2025 Prof. Gianluca Solazzo, Ph.D. - University of Salento 8

Paradigmi di apprendimento, task e algoritmi
Linear Regression
Regression
Multiple Regression
Supervised
Learning
Impara da esempi Logistic Regression
K-Nearest Neighbours
Classification
Decision Tree
Support Vector Machine

K-means
DBSCAN
Clustering HDBSCAN
Latent Dirichlet Allocation

Machine Learning Unsupervised Principal Component Analysis

Dimensionality
Learning Reduction
t-SNE
Riconosce strutture Self-Organizing Maps

Apriori
Association Rules
FP-Growth

Reinforcement Q-Learning
Learning Autonomous agent
Procede per tentativi
Monte Carlo tree

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 9

Paradigmi di apprendimento, task e applicazioni

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 10

Apprendimento supervisionato
• Nell’apprendimento supervisionato l’addestramento del modello avviene
fornendo un insieme di dati etichettati (labeled data), cioè dati di cui si conosce la
categoria o un valore noto cui appartengono.
• L’obiettivo è creare un modello (opportunamente addestrato) che, dato un nuovo
input, sia in grado di predire correttamente l’output corrispondente.
• Il modello impara una funzione di mappatura: 𝑓: 𝑋 → 𝑌 tra input ed output

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 11

Paradigmi di apprendimento nel ML

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 12

Regressione

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 13

Classificazione

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 14

Classificazione

Logistic Regression

KNN

Decision Tree

Random Forest

SVM

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 15

Apprendimento non supervisionato
• Non ci sono etichette (Y) note; abbiamo solo dati di input (X).
• L’obiettivo non è predire un output, ma scoprire strutture, pattern o relazioni nascoste.
Esempi: Clustering: individuare gruppi simili (es. segmenti di clienti); Dimensionality
reduction: ridurre le variabili preservando l’informazione (es. PCA); Anomaly detection:
individuare deviazioni dai comportamenti normali.
• In questo caso il “modello di apprendimento” non apprende una relazione input–output,
ma una rappresentazione interna o una distribuzione dei dati.

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 16

Apprendimento non supervisionato

Queste fasi rappresentano l’elaborazione interna dell’algoritmo, che

analizza i dati per individuare somiglianze o pattern nascosti.
Il modello costruisce una rappresentazione dei dati basata su
caratteristiche condivise (ad esempio, dimensione, forma, colore, ecc.).

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 17

Apprendimento non supervisionato

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 18

Apprendimento per rinforzo

09/11/2025 Ing. Gianluca Solazzo, Ph.D. - University of Salento 19

 Grazie per l’attenzione
E-mail: [Link]@[Link]
Web: [Link]
Scholar: [Link]