Analisi Comparativa degli Algoritmi di Apprendimento Automatico Supervisionato in Orange Data Mining per la Predizione della Qualità del Latte

La presente tesi si propone di condurre un'analisi comparativa approfondita degli algoritmi di apprendimento automatico supervisionato utilizzando Orange Data Mining, con l'obiettivo di identificare il miglior algoritmo per la predizione della qualità del latte e applicare le regole dell'algoritmo vincente nella creazione di un sito web per un caseificio. Il documento introduce i concetti fondamentali del Machine Learning, delineando le differenze tra apprendimento supervisionato e non supervisionato e discutendo le molteplici applicazioni di questa disciplina. Successivamente, viene presentato Orange Data Mining, illustrandone le caratteristiche e le funzionalità che lo rendono uno strumento potente per l'analisi dei dati e la creazione di modelli di Machine Learning. L'analisi procede con l'utilizzo di un dataset sulla qualità del latte ottenuto da Kaggle. Prima di applicare gli algoritmi di apprendimento automatico, il dataset viene esplorato per individuare possibili pattern o informazioni rilevanti. Successivamente, vengono valutati diversi algoritmi di apprendimento automatico supervisionato, tra cui Albero Decisionale, Naive Bayes, Rete Neurale e Support Vector Machine. Ciascun algoritmo viene esaminato singolarmente per valutare le prestazioni predittive utilizzando strumenti disponibili in Orange Data Mining e poi confrontati per capire quale avesse la migliore capacità predittiva sulla qualità del latte. L'Albero Decisionale emerge come il migliore in grado di predire con precisione la qualità del latte. Le regole generate da questo algoritmo sono quindi impiegate nella creazione di un sito web per un caseificio, sviluppato utilizzando HTML/CSS e PHP. Questa ricerca fornisce una guida pratica e dettagliata per la selezione dell'algoritmo ottimale di apprendimento automatico supervisionato per la predizione della qualità del latte, dimostrando l'applicabilità dei risultati ottenuti nel contesto del mondo reale.