Che cos'è il Deep Learning?
Un sottoinsieme di ML che utilizza reti neurali multistrato per apprendere rappresentazioni di caratteristiche gerarchiche da dati grezzi per il riconoscimento delle immagini e l'elaborazione del linguaggio
Summary
- Utilizza più livelli nascosti tra input e output per apprendere progressivamente rappresentazioni astratte, con ogni livello che estrae caratteristiche sempre più complesse da pixel grezzi o testo.
- Supporta applicazioni innovative, tra cui la visione artificiale (classificazione di immagini, rilevamento di oggetti), l'elaborazione del linguaggio naturale (traduzione, analisi del sentiment) e il riconoscimento vocale.
- L'addestramento richiede grandi set di dati etichettati, ingenti risorse di calcolo (GPU/TPU) e tecniche come backpropagation, dropout e normalizzazione batch per prevenire l'overfitting.
Che cos'è il deep learning?
Il deep learning è una sottocategoria del machine learning che tratta grandi quantità di dati con algoritmi ispirati alla struttura e al funzionamento del cervello umano. Per questo motivo, i modelli di deep learning sono spesso descritti come reti neurali profonde. Il deep learning fa parte di una famiglia più ampia di metodi di machine learning basati sull'apprendimento di rappresentazioni dei dati, in contrapposizione ai tradizionali algoritmi task-specific.
Come funziona il deep learning?
Nel deep learning, un modello computerizzato impara a svolgere attività di classificazione direttamente da immagini, testi o suoni ed esegue un'attività ripetutamente, apportando piccole modifiche per migliorare il risultato. I modelli di deep learning possono fornire prestazioni superiori a quelle di un essere umano. I modelli vengono addestrati utilizzando larghi set di dati etichettati e architetture di reti neurali composte da più strati. La parte più importante di una rete neurale di deep learning è uno strato di nodi computazionali chiamati "neuroni", dove ogni neurone si collega a tutti i neuroni dello strato sottostante. Nell'apprendimento profondo, la rete neurale sfrutta almeno due strati nascosti. L'aggiunta degli strati nascosti consente ai ricercatori di effettuare calcoli più approfonditi. Come funziona allora l'algoritmo? Ciascuna connessione ha un suo peso e una sua importanza ma, con l'aiuto delle reti neurali profonde, possiamo individuare automaticamente le caratteristiche più importanti per la classificazione. Ciò avviene tramite la funzione di attivazione che valuta, per ogni neurone, la direzione che deve prendere il segnale, proprio come nel caso del cervello umano.
Gartner®: Databricks leader dei database cloud
Tipi di strati di deep learning:
- Lo strato di ingresso dei nodi riceve le informazioni e le trasferisce ai nodi sottostanti; qui la rete si concentra su modelli di contrasto locale identificandoli come importanti.
- Gli strati dei nodi nascosti sono quelli in cui avvengono le computazioni e vengono utilizzati gli schemi di contrasto locale per concentrarsi su oggetti che presentino delle somiglianze.
- Nello strato dei nodi di uscita, vengono visualizzati i risultati dei calcoli. In questo strato, le caratteristiche saranno applicate ai modelli.
Una rete neurale profonda può creare caratteristiche via via più complesse in ciascuno degli strati successivi.