{"id":22229,"date":"2021-12-21T15:01:21","date_gmt":"2021-12-21T14:01:21","guid":{"rendered":"https:\/\/www.mathsly.it\/wordpress\/?p=22229"},"modified":"2026-04-04T08:04:27","modified_gmt":"2026-04-04T06:04:27","slug":"machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione","status":"publish","type":"post","link":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/","title":{"rendered":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione."},"content":{"rendered":"\n

Il Machine Learning (ML) \u00e8 uno degli strumenti pi\u00f9 attuali nell’ambito della ricerca scientifica. Mediante una semplice ricerca su Google, alla parola Machine Learning corrispondono circa 2.330.000.000 risultati.<\/p>\n\n\n\n

In un precedente articolo (Machine Learning: una breve introduzione<\/a>) mi sono occupata di descrivere cos\u2019\u00e8 il Machine Learning<\/strong>. In questo, intendo invece concentrarmi sui pericoli di un errato approccio <\/strong>al Machine Learning e sui primi cinque essenziali punti<\/strong> del processo di validazione.<\/p>\n\n\n\n

Non vi \u00e8 dubbio che l’intelligenza artificiale \u00e8 affascinante ed utilissima in molti ambiti di ricerca. Tuttavia una fiducia sconfinata nelle sue autonome capacit\u00e0 di gestione senza delle ottime conoscenze – specialmente di natura matematica – e la mancanza di supervisione esperta e ragionata da parte dello sperimentatore, possono generare enormi distorsioni.<\/p>\n\n\n\n

Machine Learning: il percorso di apprendimento<\/h3>\n\n\n\n

Il Machine Learning \u00e8 un metodo di investigazione dei dati tra i pi\u00f9 affascinanti. Esso coniuga il metodo formale della ricerca scientifica con il sistema, tutt\u2019altro che schematico, del metodo di apprendimento umano. Sostanzialmente tenta di replicare in ambito informatico ci\u00f2 che avviene nel processo di apprendimento naturale.<\/p>\n\n\n\n

Pensa ad esempio al modo in cui uno studente apprende: egli seguendo il suo insegnante, \u00e8 indotto a sviluppare un proprio sistema di conoscenze fondandosi sulle nozioni, i contenuti e i metodi di ragionamento dell\u2019insegnante stesso.<\/p>\n\n\n\n

In modo analogo il Machine Learning insegna ad un algoritmo ci\u00f2 che l\u2019insegnante trasmette. L\u2019insegnante in questo caso \u00e8 lo sperimentatore. Egli addestra l\u2019algoritmo affinch\u00e9 quest’ultimo svolga determinati compiti e sopratutto preveda in modo accurato cosa pu\u00f2 accadere.<\/p>\n\n\n\n

Machine learning e matematica<\/h3>\n\n\n\n

Nell\u2019ambito dell\u2019apprendimento umano, uno studente impara una variabile parte di ci\u00f2 che l’insegnante trasmette. Ed allora, affinch\u00e9 ci\u00f2 si verifichi, occorre che il sapere dell\u2019insegnante sia molto ampio e specializzato. Un insegnante con ridotte conoscenze potr\u00e0 trasmettere ad uno studente un sistema di conoscenze limitato.<\/p>\n\n\n\n

Tale meccanismo agisce anche e sopratutto nel Machine Learning. Per poter addestrare un sistema di apprendimento per la creazione di un algoritmo, le conoscenze dell\u2019addestratore devono essere molto ampie e specializzate.<\/p>\n\n\n\n

Secondo un brocardo latino in voga in ambito giuridico \u201cNemo plus iuris ad alium transferre potest quam ipse habet<\/em>\u201d, nessuno pu\u00f2 trasferire ad altri maggiori diritti di quanti ne abbia egli stesso. In analogia nell\u2019insegnamento sia umano che in ambito di Machine Learning, nessuno pu\u00f2 trasferire ad altri maggiore conoscenza di quanto egli ne abbia. Questo significa che addestrando un sistema di Machine Learning lo sperimentatore non si trova solo di fronte a un problema computazionale o di esecuzione di uno schema logico, ma di fronte al ben pi\u00f9 ampio problema della necessit\u00e0 di conoscenza matematica, base degli algoritmi.<\/p>\n\n\n\n

A ci\u00f2 si aggiunge che quando interrompiamo il lavoro di addestramento, il sistema non apprende nulla, a differenza di quanto avviene con l\u2019essere umano che continua sempre a sviluppare per proprio conto i concetti appresi; si comprende dunque come la progettazione di uno studio di Machine Learning non pu\u00f2 essere fondata unicamente sulla quantit\u00e0 di informazioni che forniamo o sulla presenza di un dataset pi\u00f9 o meno corposo. La progettazione \u00e8 un processo molto pi\u00f9 complesso in cui lo sperimentatore \u00e8 chiamato in prima persona a mettere a disposizione il proprio bagaglio di conoscenze specifiche ed in primis<\/em> quelle matematiche.<\/p>\n\n\n\n

Il ruolo dello sperimentatore<\/h4>\n\n\n\n

A differenza della statistica<\/a>, il Machine Learning va a caccia di formulazioni matematiche, la cui complessit\u00e0 varia a seconda della complessit\u00e0 dell\u2019algoritmo. Dall\u2019inizio alla fine del processo le procedure di Machine Learning giocano con la matematica. L\u2019algoritmo non conosce a priori la formulazione matematica, ma la deriva dopo aver visto i dati.<\/p>\n\n\n\n

La realt\u00e0 viene spiegata da formulazioni matematiche che gli algoritmi trovano e rendono vantaggiose per la spiegazione e previsione della realt\u00e0 stessa.<\/p>\n\n\n\n

Da qui si apre la mia consueta domanda sulla matematica. Un algoritmo di Machine Learning appare appropriato: come si fa a capire se esso lo \u00e8 realmente? Esattamente come uno studente ha bisogno dell\u2019insegnante per distinguere ci\u00f2 che \u00e8 giusto e ci\u00f2 che non lo \u00e8 e per identificare e correggere gli errori, naturali e per molti versi necessari per apprendere, allo stesso modo un algoritmo necessita dello sperimentatore per apprendere in modo corretto. Il solo cliccare sul tasto \u201cRun<\/em>\u201d dei software attualmente disponibili o l\u2019implementare un codice, non fa di un algoritmo un qualcosa di realmente valido per spiegare la realt\u00e0 osservata. Mancanza di dati, rumori di fondo (famosi noise<\/em>), errori od osservazioni distorte tramutano in un batter d\u2019occhio un algoritmo di Machine Learning in un disastro informatico e ancor peggio in un nulla di fatto per la ricerca scientifica.<\/p>\n\n\n\n

Cani, gatti e machine learning<\/h3>\n\n\n\n

Prima di presentarti le prime cinque domande chiave della validazione di un algoritmo, voglio farti capire quali rischi possa comportare un\u2019applicazione non corretta delle tecniche di Machine Learning.<\/p>\n\n\n\n

Supponi di voler addestrare un computer a riconoscere le immagini di cani e gatti. In particolare, immagina di voler creare un sistema di classificazione che sia in grado di far s\u00ec che il computer distingua in modo appropriato la foto di un cane da quella di un gatto.<\/p>\n\n\n\n

\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n<\/figure>\n\n\n\n

La procedura per far ci\u00f2 prevede che disponiamo di una serie di fotografie di cani e di gatti e che addestriamo (dataset training<\/em>) il sistema affinch\u00e9 identifichi un algoritmo idoneo a distinguere tra la fotografia di un cane e quella di un gatto. In particolare, durante l\u2019apprendimento spieghiamo al sistema attraverso un insieme di features<\/em> come sono fatti rispettivamente un gatto ed un cane. Dopo aver identificato l\u2019algoritmo secondo noi pi\u00f9 accurato, lo testiamo. Siamo pertanto pronti, a fronte di una nuova fotografia, di sapere dal computer qual \u00e8 la probabilit\u00e0 che la foto ritragga un cane o un gatto.<\/p>\n\n\n\n

Sembra un meccanismo molto facile: addestro, testo e utilizzo.<\/p>\n\n\n\n

Cosa succede di fronte al terzo incomodo?<\/h4>\n\n\n\n

Caratteristiche anatomiche ritratte in foto ben definite aumentano l\u2019accuratezza della risposta. Ci\u00f2 non \u00e8 per\u00f2 sempre possibile: confusione pu\u00f2 sorgere nel caso in cui la foto non sia ben definita o il gatto abbia assunto per l\u2019occasione della foto una posa differente rispetto a quella conosciuta dall\u2019algoritmo. Per esempio, la coda abbassata e non alzata. Oppure il pelo alzato per la paura. Ma ci pu\u00f2 essere una situazione ancora pi\u00f9 strana: Come risponde il sistema se la foto rappresenta un cucciolo di tigre? <\/p>\n\n\n\n

Secondo l\u2019impostazione dell\u2019apprendimento, un gatto \u00e8 fatto di quattro zampe, una coda, i baffi, un pelo molto folto, un nasino schiacciato, delle unghie affilatissime, un corpo particolarmente agile e con una dimensione entro certi limiti. Beh, l\u2019algoritmo \u00e8 addestrato su montagne di dati con cani e gatti e non sa nulla delle tigri. Durante la fase di apprendimento, lo sperimentatore ha posto il problema ed ha fornito gli esempi: l\u2019algoritmo ha appreso solo quello che gli \u00e8 stato permesso di analizzare e nel caso in cui le \u201ccarte\u201d cambiano non \u00e8 pi\u00f9 in grado di trovare una soluzione.<\/p>\n\n\n\n

Validazione: elemento chiave del machine learning<\/h3>\n\n\n\n

Come uscire da questo pericoloso loop<\/em> di cani, gatti e tigri? Il passo successivo all\u2019apprendimento e al test \u00e8 la validazione dell\u2019algoritmo. Validare significa verificarne la validit\u00e0. Per poter far ci\u00f2 bisogna rispondere preliminarmente ai seguenti cinque quesiti:<\/p>\n\n\n\n

  1. Qual \u00e8 la qualit\u00e0 delle informazioni offerta al sistema di addestramento?<\/li>
  2. I dati forniti sono affetti da qualche forma di bias?<\/li>
  3. Quanto \u00e8 effettivamente possibile generalizzare i dati?<\/li>
  4. L\u2019addestramento \u00e8 avvenuto con dati passati? Possiamo affermare che il comportamento sar\u00e0 similare nel futuro? Qual \u00e8 il livello d’incertezza che siamo disposti ad assumere?<\/li>
  5. La formulazione matematica identificata descrive effettivamente la realt\u00e0?<\/li><\/ol>\n\n\n\n

    Rispondendo a queste prime cinque domande \u00e8 possibile ridurre il rischio che il sistema scambi un cucciolo di tigre per un bellissimo gatto o addirittura per un cane un p\u00f2 strano.<\/p>\n\n\n\n

    Troviamo l’equilibrio<\/h3>\n\n\n\n

    La risposta a queste cinque domande preliminari potrebbe far dunque propendere lo sperimentatore verso l\u2019aumento del numero dei casi e delle informazioni: pi\u00f9 il sistema riceve informazioni, pi\u00f9 l\u2019algoritmo sar\u00e0 in grado di discriminare correttamente tra cani e gatti.<\/p>\n\n\n\n

    Soluzione facile, ma non percorribile. Esattamente come succede nel caso dell\u2019apprendimento di uno studente: riempire lo studente di informazioni dettagliate \u00e8 controproducente.<\/p>\n\n\n\n

    Occorre dunque trovare il giusto bilanciamento tra semplicit\u00e0 e complessit\u00e0 identificando quale tra gli algoritmi possibili \u00e8 quello pi\u00f9 idoneo alla previsione. Algoritmi troppo semplici perdono informazioni, mentre algoritmi troppo complessi producono overfitting<\/em>.<\/p>\n\n\n\n

    Come scegliere quello pi\u00f9 adatto? Nel caso del machine learning non \u00e8 vera la regola che il modello pi\u00f9 semplice \u00e8 quello pi\u00f9 appropriato: la soluzione pi\u00f9 semplice \u00e8 preferibile a una complessa solo se essa produce lo stesso risultato. Come diceva Albert Einstein: \u201cTutto dovrebbe essere reso il pi\u00f9 semplice possibile, ma non pi\u00f9 semplice\u201d.<\/p>\n\n\n\n

    Conclusione<\/h3>\n\n\n\n

    L\u2019algoritmo finale di Machine Learning \u00e8 il risultato di un approccio integrato tra diverse discipline. A differenza di ci\u00f2 che accade negli studi clinici <\/a>o osservazionali<\/a> in cui lo sperimentatore pone un\u2019ipotesi e si fa guidare dai risultati, il Machine Learning consente di porre un\u2019ipotesi senza tuttavia permettere di conoscere un approccio a priori. Ogni risultato \u00e8 frutto di apprendimento, test e validazione, processo senza il quale il Machine Learning perde significato.<\/p>\n\n\n\n

    Le formulazioni matematiche assumono un ruolo predominante: sono originate dai dati e sono supportate dalla validazione. Nel Machine Learning sembra che la matematica venga meno alla sua promessa di assoluta imparzialit\u00e0. Non \u00e8 ovviamente cos\u00ec: le formulazioni matematiche restano imparziali, ma al contempo si adattano per creare quella magia esclusivamente matematica di poter spiegare il mondo reale attraverso semplici notazioni.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Il Machine Learning (ML) \u00e8 uno degli strumenti pi\u00f9 attuali nell’ambito della ricerca scientifica. Mediante una semplice ricerca su Google, alla parola Machine Learning corrispondono circa 2.330.000.000 risultati. In un precedente articolo (Machine Learning: una breve introduzione) mi sono occupata di descrivere cos\u2019\u00e8 il Machine Learning. In questo, intendo invece concentrarmi sui pericoli di un … Leggi tutto<\/a><\/p>\n","protected":false},"author":138,"featured_media":22341,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5951],"tags":[5952,5914],"class_list":["post-22229","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-machine-learning","tag-machine-learning","tag-validazione"],"yoast_head":"\nMachine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.<\/title>\n<meta name=\"description\" content=\"Validare un algoritmo di Machine Learning \u00e8 fondamentale per non rischiare pericolosi incontri abbagli. Scopri di pi\u00f9.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione. - Mathsly Research\" \/>\n<meta property=\"og:description\" content=\"Il Machine Learning (ML) \u00e8 uno degli strumenti pi\u00f9 attuali nell'ambito della ricerca scientifica. Mediante una semplice ricerca su Google, alla parola\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/\" \/>\n<meta property=\"og:site_name\" content=\"Mathsly Research\" \/>\n<meta property=\"article:published_time\" content=\"2021-12-21T14:01:21+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-04-04T06:04:27+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg\" \/>\n\t<meta property=\"og:image:width\" content=\"1280\" \/>\n\t<meta property=\"og:image:height\" content=\"855\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Maril\u00f9 Garo\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Maril\u00f9 Garo\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/\"},\"author\":{\"name\":\"Maril\u00f9 Garo\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#\\\/schema\\\/person\\\/bf2c54c9c5eb2d8299968ac61ec13172\"},\"headline\":\"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.\",\"datePublished\":\"2021-12-21T14:01:21+00:00\",\"dateModified\":\"2026-04-04T06:04:27+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/\"},\"wordCount\":1568,\"publisher\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2021\\\/12\\\/AdobeStock_456773295-scaled.jpeg\",\"keywords\":[\"machine learning\",\"validazione\"],\"articleSection\":[\"Machine Learning\"],\"inLanguage\":\"it-IT\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/\",\"url\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/\",\"name\":\"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2021\\\/12\\\/AdobeStock_456773295-scaled.jpeg\",\"datePublished\":\"2021-12-21T14:01:21+00:00\",\"dateModified\":\"2026-04-04T06:04:27+00:00\",\"description\":\"Validare un algoritmo di Machine Learning \u00e8 fondamentale per non rischiare pericolosi incontri abbagli. Scopri di pi\u00f9.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2021\\\/12\\\/AdobeStock_456773295-scaled.jpeg\",\"contentUrl\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2021\\\/12\\\/AdobeStock_456773295-scaled.jpeg\",\"width\":1280,\"height\":855,\"caption\":\"two young bengal tiger cubs resting on grass, close up portrait\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#website\",\"url\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/\",\"name\":\"Mathsly Research\",\"description\":\"Consulenza statistica e biostatistica per ricerca clinica e pharma\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#organization\"},\"alternateName\":\"Mathsly Consulting\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#organization\",\"name\":\"Mathsly Research\",\"alternateName\":\"Mathsly\",\"url\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/Logo-1.png\",\"contentUrl\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/Logo-1.png\",\"width\":500,\"height\":500,\"caption\":\"Mathsly Research\"},\"image\":{\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/company\\\/mathsly-research\\\/?viewAsMember=true\",\"https:\\\/\\\/www.researchgate.net\\\/profile\\\/Maria-Garo\",\"https:\\\/\\\/orcid.org\\\/0000-0001-6308-975X\",\"https:\\\/\\\/www.linkedin.com\\\/in\\\/marilugaro\\\/\"],\"description\":\"Mathsly Research \u00e8 uno studio di consulenza statistica e biostatistica indipendente specializzato in metodologia della ricerca clinica. Offre advisory metodologico per aziende farmaceutiche, CRO, IRCCS e reti ospedaliere di ricerca su: disegno di studi clinici e adattativi, analisi statistica per pubblicazione peer-reviewed, revisione di protocolli e SAP, revisioni sistematiche e meta-analisi, statistica forense e medical writing. Fondato nel 2014, opera in Italia e a livello internazionale.\",\"email\":\"info@mathsly.it\",\"telephone\":\"+393774326165\",\"legalName\":\"Mathsly Research\",\"foundingDate\":\"2014-09-17\",\"vatID\":\"03622810798\",\"naics\":\"541990\",\"publishingPrinciples\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/chi-siamo\\\/\",\"ownershipFundingInfo\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/codice-etico\\\/\",\"ethicsPolicy\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/codice-etico\\\/\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.mathsly.it\\\/wordpress\\\/#\\\/schema\\\/person\\\/bf2c54c9c5eb2d8299968ac61ec13172\",\"name\":\"Maril\u00f9 Garo\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g\",\"caption\":\"Maril\u00f9 Garo\"},\"description\":\"Ciao, sono Maril\u00f9 Garo. Mathsly \u00e8 uno studio di consulenza statistica e matematica, il cui scopo \u00e8 elaborare analisi statistiche e fornire assistenza e supporto statistico per gli\u00a0studi di ricerca e pubblicazioni scientifiche. Periodicamente il sito pubblica guide e articoli per spiegare gli aspetti pi\u00f9 interessanti della statistica medica, della ricerca medica, dell'econometria ed in generale della ricerca scientifica. Puoi trovare informazioni sui principali indici statistici (e.g. media, mediana, deviazione standard, ...) e sugli strumenti pi\u00f9 idonei a dimostrare le ipotesi di ricerca e a capire molti concetti statistici (e.g. p-value, regressioni, sensibilit\u00e0, specificit\u00e0, ...). Pubblico regolarmente articoli in biostatistica, econometria, statistica medica, ed in molti altri settori di applicazione della matematica e della statistica e, pi\u00f9 in generale, nella ricerca scientifica. Se preferisci \\\"far fare\\\" ad uno professionista, sono la persona giusta per te. Posso aiutarti ad elaborare i dati e la tua analisi statistica, anche nel caso ti servisse per pubblicazione scientifica sulle riviste pi\u00f9 importanti del tuo settore di ricerca.\u00a0Le mie conoscenze nell'ambito statistico e matematico mi permettono di portare avanti collaborazioni continuative con universit\u00e0 e centri ricerca, italiani ed internazionali. Puoi visionare alcune delle pubblicazioni scientifiche quale co-autore nella pagina \\\"Le mie pubblicazioni\\\" o scorrere le recensioni dei clienti con i quali ho collaborato. Inoltre, grazie all'esperienza acquisita nel campo della ricerca, posso aiutarti nellastesura e\\\/o correzione del tuo testo scientifico, anche in inglese, o a scrivere il protocollo di ricerca per il tuo studio. Ti invito ad esplorare il mio sito e a scoprire in quanti modi posso aiutarti nel tuo lavoro di ricerca.\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.","description":"Validare un algoritmo di Machine Learning \u00e8 fondamentale per non rischiare pericolosi incontri abbagli. Scopri di pi\u00f9.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/","og_locale":"it_IT","og_type":"article","og_title":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione. - Mathsly Research","og_description":"Il Machine Learning (ML) \u00e8 uno degli strumenti pi\u00f9 attuali nell'ambito della ricerca scientifica. Mediante una semplice ricerca su Google, alla parola","og_url":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/","og_site_name":"Mathsly Research","article_published_time":"2021-12-21T14:01:21+00:00","article_modified_time":"2026-04-04T06:04:27+00:00","og_image":[{"width":1280,"height":855,"url":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg","type":"image\/jpeg"}],"author":"Maril\u00f9 Garo","twitter_card":"summary_large_image","twitter_misc":{"Scritto da":"Maril\u00f9 Garo","Tempo di lettura stimato":"9 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#article","isPartOf":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/"},"author":{"name":"Maril\u00f9 Garo","@id":"https:\/\/www.mathsly.it\/wordpress\/#\/schema\/person\/bf2c54c9c5eb2d8299968ac61ec13172"},"headline":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.","datePublished":"2021-12-21T14:01:21+00:00","dateModified":"2026-04-04T06:04:27+00:00","mainEntityOfPage":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/"},"wordCount":1568,"publisher":{"@id":"https:\/\/www.mathsly.it\/wordpress\/#organization"},"image":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#primaryimage"},"thumbnailUrl":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg","keywords":["machine learning","validazione"],"articleSection":["Machine Learning"],"inLanguage":"it-IT"},{"@type":"WebPage","@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/","url":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/","name":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione.","isPartOf":{"@id":"https:\/\/www.mathsly.it\/wordpress\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#primaryimage"},"image":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#primaryimage"},"thumbnailUrl":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg","datePublished":"2021-12-21T14:01:21+00:00","dateModified":"2026-04-04T06:04:27+00:00","description":"Validare un algoritmo di Machine Learning \u00e8 fondamentale per non rischiare pericolosi incontri abbagli. Scopri di pi\u00f9.","breadcrumb":{"@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#primaryimage","url":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg","contentUrl":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2021\/12\/AdobeStock_456773295-scaled.jpeg","width":1280,"height":855,"caption":"two young bengal tiger cubs resting on grass, close up portrait"},{"@type":"BreadcrumbList","@id":"https:\/\/www.mathsly.it\/wordpress\/machine-learning-gatto-o-cucciolo-di-tigre-i-rischi-della-non-validazione\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.mathsly.it\/wordpress\/"},{"@type":"ListItem","position":2,"name":"Machine Learning: gatto o cucciolo di tigre? I rischi della non-validazione."}]},{"@type":"WebSite","@id":"https:\/\/www.mathsly.it\/wordpress\/#website","url":"https:\/\/www.mathsly.it\/wordpress\/","name":"Mathsly Research","description":"Consulenza statistica e biostatistica per ricerca clinica e pharma","publisher":{"@id":"https:\/\/www.mathsly.it\/wordpress\/#organization"},"alternateName":"Mathsly Consulting","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.mathsly.it\/wordpress\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"it-IT"},{"@type":"Organization","@id":"https:\/\/www.mathsly.it\/wordpress\/#organization","name":"Mathsly Research","alternateName":"Mathsly","url":"https:\/\/www.mathsly.it\/wordpress\/","logo":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/www.mathsly.it\/wordpress\/#\/schema\/logo\/image\/","url":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2026\/03\/Logo-1.png","contentUrl":"https:\/\/www.mathsly.it\/wordpress\/wp-content\/uploads\/2026\/03\/Logo-1.png","width":500,"height":500,"caption":"Mathsly Research"},"image":{"@id":"https:\/\/www.mathsly.it\/wordpress\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/mathsly-research\/?viewAsMember=true","https:\/\/www.researchgate.net\/profile\/Maria-Garo","https:\/\/orcid.org\/0000-0001-6308-975X","https:\/\/www.linkedin.com\/in\/marilugaro\/"],"description":"Mathsly Research \u00e8 uno studio di consulenza statistica e biostatistica indipendente specializzato in metodologia della ricerca clinica. Offre advisory metodologico per aziende farmaceutiche, CRO, IRCCS e reti ospedaliere di ricerca su: disegno di studi clinici e adattativi, analisi statistica per pubblicazione peer-reviewed, revisione di protocolli e SAP, revisioni sistematiche e meta-analisi, statistica forense e medical writing. Fondato nel 2014, opera in Italia e a livello internazionale.","email":"info@mathsly.it","telephone":"+393774326165","legalName":"Mathsly Research","foundingDate":"2014-09-17","vatID":"03622810798","naics":"541990","publishingPrinciples":"https:\/\/www.mathsly.it\/wordpress\/chi-siamo\/","ownershipFundingInfo":"https:\/\/www.mathsly.it\/wordpress\/codice-etico\/","ethicsPolicy":"https:\/\/www.mathsly.it\/wordpress\/codice-etico\/"},{"@type":"Person","@id":"https:\/\/www.mathsly.it\/wordpress\/#\/schema\/person\/bf2c54c9c5eb2d8299968ac61ec13172","name":"Maril\u00f9 Garo","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/secure.gravatar.com\/avatar\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/a0069e70d105dec72471016f0ba2b207b3bab3d88997d7072f42ce5388b588a1?s=96&d=blank&r=g","caption":"Maril\u00f9 Garo"},"description":"Ciao, sono Maril\u00f9 Garo. Mathsly \u00e8 uno studio di consulenza statistica e matematica, il cui scopo \u00e8 elaborare analisi statistiche e fornire assistenza e supporto statistico per gli\u00a0studi di ricerca e pubblicazioni scientifiche. Periodicamente il sito pubblica guide e articoli per spiegare gli aspetti pi\u00f9 interessanti della statistica medica, della ricerca medica, dell'econometria ed in generale della ricerca scientifica. Puoi trovare informazioni sui principali indici statistici (e.g. media, mediana, deviazione standard, ...) e sugli strumenti pi\u00f9 idonei a dimostrare le ipotesi di ricerca e a capire molti concetti statistici (e.g. p-value, regressioni, sensibilit\u00e0, specificit\u00e0, ...). Pubblico regolarmente articoli in biostatistica, econometria, statistica medica, ed in molti altri settori di applicazione della matematica e della statistica e, pi\u00f9 in generale, nella ricerca scientifica. Se preferisci \"far fare\" ad uno professionista, sono la persona giusta per te. Posso aiutarti ad elaborare i dati e la tua analisi statistica, anche nel caso ti servisse per pubblicazione scientifica sulle riviste pi\u00f9 importanti del tuo settore di ricerca.\u00a0Le mie conoscenze nell'ambito statistico e matematico mi permettono di portare avanti collaborazioni continuative con universit\u00e0 e centri ricerca, italiani ed internazionali. Puoi visionare alcune delle pubblicazioni scientifiche quale co-autore nella pagina \"Le mie pubblicazioni\" o scorrere le recensioni dei clienti con i quali ho collaborato. Inoltre, grazie all'esperienza acquisita nel campo della ricerca, posso aiutarti nellastesura e\/o correzione del tuo testo scientifico, anche in inglese, o a scrivere il protocollo di ricerca per il tuo studio. Ti invito ad esplorare il mio sito e a scoprire in quanti modi posso aiutarti nel tuo lavoro di ricerca."}]}},"_links":{"self":[{"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/posts\/22229","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/users\/138"}],"replies":[{"embeddable":true,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/comments?post=22229"}],"version-history":[{"count":11,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/posts\/22229\/revisions"}],"predecessor-version":[{"id":22681,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/posts\/22229\/revisions\/22681"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/media\/22341"}],"wp:attachment":[{"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/media?parent=22229"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/categories?post=22229"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.mathsly.it\/wordpress\/wp-json\/wp\/v2\/tags?post=22229"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}