• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
AI, machine-learning

Let’s start Deep Learning | 6.S191 – Machine Learning

Let’s start Deep Learning  | 6.S191 – Machine Learning

Il deep learning è senza dubbio tra le aree di maggiore interesse per ricercatori e aziende, nel vasto ambito del machine learning.

Il motivo è presto detto: i risultati ottenibili applicando correttamente queste tecnologie lasciano spesso basiti.

Un esempio?

Il deep learning può essere usato per operazioni di voice synthesis e video dialogue replacement, con cui è possibile dare vita a un Barack Obama che introduce un corso del MIT:

L’azienda creatrice del video è Canny AI, che alla modica cifra di 2$ per secondo, e un minimo di 60 secondi di video, consente di dar vita a contenuti simili.

Torniamo a noi: cos’è il deep learning?

Partiamo subito con una definizione generica:

Per deep learning intendiamo quell’area di studi, figlia dell’Intelligenza artificiale e di machine learning che si occupa di sviluppare sistemi per estrarre pattern dai dati usando reti neurali.

Deep Learning Definition

Tradotto, tutto ciò che ha a che fare con le reti neurali è deep learning!

Ora, per capire come si colloca questo ambito nel panorama più ampio diamo uno sguardo a queste tre macro aree:

  • Artificial Intelligence, ogni tecnica che consenta ai computer di mimare comportamenti umani.
  • Machine Learning, la tecnica di Artificial Intelligence attraverso cui i computer imparano senza essere esplicitamente programmati
  • Deep Learning, ambito di Machine Learning per l’estrazione di pattern complessi dai dati attraverso l’ausilio di reti neurali profonde.

Noi però siamo molto più ambiziosi di così!

Il nostro obiettivo a lungo termine è conoscere il funzionamento degli algoritmi dietro queste tecnologie e sfruttare librerie software come Tensorflow per sviluppare sistemi di deep learning allo stato dell’arte.

Tensorflow 2: how to start? | Esempio Semplice, Tutorial

Why deep learning and Why Now!?

Il deep learning prospera laddove le tecniche convenzionali di machine learning risultano poco performanti.

Facciamo un esempio: il nostro obiettivo è creare un modello di facial detection.

Per risolvere un problema simile, potremmo partire dall’identificare tratti distintivi quali labbra, occhi e naso.

Come facciamo però a identificare questi tratti?

Dovremmo porre l’attenzione su linee orientate in una certa direzione, ma in ogni step il livello di complicazione aumenta.

L’approccio è sbagliato: entra in gioco il deep learning.

Gli algoritmi di deep learning sviluppano infatti delle rappresentazioni gerarchiche di alto livello delle immagini analizzate.

In questo modo riescono a identificare prima linee e bordi, poi angoli e feature intermedie (quali occhi, naso, bocca e orecchie) e infine comporre questi elementi per riconoscere le caratteristiche di alto livello, come i tratti mascellari, con qui completare il riconoscimento facciale.

Come probabilmente già saprai, queste tecnologie non sono nuove.

I primi esempi di reti neurali convoluzionali per l’analisi e il riconoscimento di cifre e numeri risalgono al 1995. Quindi perché ne parliamo così spesso oggi?

I blocchi di costruzione fondamentali per un qualsiasi sistema di deep learning sono tre: dati, potenza di calcolo e algoritmi.

Viviamo in un momento storico in cui questi ingredienti coesistono in abbondanza e sono di facile accesso.

Scopriamoli rapidamente.

Big data

Oggi possiamo accedere a un numero pressoché infinito di dati di ogni tipologia e dimensione. Tutto questo grazie anche alla facilità di condivisione e mantenimento degli stessi in cloud.

La combinazione di questi due elementi:

  • larger datasets
  • easier collection & storage

ha reso mainstream l’applicazione di sistemi di deep learning.

Di recente google ha persino sviluppato un servizio chiamato Dataset Search per agevolare la ricerca dei dati necessari.

Hardware

Con un investimento modesto è possibile acquistare schede grafiche per eseguire calcoli complessi, e sempre più prodotti nascono ad hoc per questo genere di applicazioni.

NVIDIA Jetson Nano | Machine Learning for makers

La maggior parte degli algoritmi sono massivamente parallelizzabili (parallelizable algorithms) e possono quindi sfruttare appieno l’architettura delle moderne GPU e dei loro acceleratori hardware, che in passato non esistevano.

Software e Algorithms

Grazie a toolbox open source come Tensorflow e PyTorch, la creazione di modelli è diventata molto più agevole, smettendo richiedere complesse competenze tecniche e profonde conoscenze matematiche.

Ora che abbiamo capito cosa sia l’apprendimento profondo, perché sia utile e il motivo per cui oggi se ne parla tanto, è arrivato il momento d’incontrare le reti neurali artificiali e conoscerne la struttura.

Un anticipazione? Preparati a conoscere il perceptron!

Artificial Neural Network – ANN| Rete Neurale Artificiale

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Febbraio 21, 2020
Tags | deep learning, machine learning, teoria

You Might Also Like

tensorflow-problemi-js-data-science-machine-learning-deep-learning-node-npm

Tensorflow Problemi: @tensorflow/tfjs il log

Aprile 9, 2020
rivacy-preserving-ai-data-science-machine-learning-deep-learning-privacy-gida-italia-tutorial-machine-learning

PySyft by OpenMined | Privacy Preserving

Gennaio 29, 2020

No Big Data? Handling small data | Consigli

Giugno 28, 2019
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • rust-react-webassembly-privacy-preserving-machine-learning Logs

    Rust, WebAssembly, React e un MVP

    Dicembre 21, 2020
  • diffie-hellman-key-exchange-protocol-scambio-di-chiavi-diffie-hellman Data Science, Privacy Preserving

    Cos’è lo scambio di chiavi Diffie-Hellman (DH)? | Privacy Preserving

    Dicembre 15, 2020
  • principio-di-esattezza-data-science-machine-learning-gdpr-data-accuracy Data Science, GDPR Compliant

    GDPR: Principio di esattezza dei dati (Data Accuracy)

    Dicembre 12, 2020
  • tensorflow-extended-tfx-deploy-machine-learning-guide-machine-learning-pipelines machine-learning

    TFX: come funziona Tensorflow Extended?

    Dicembre 9, 2020
  • tensorflow-extended-tfx-deploy-machine-learning-guide-machine-learning-pipelines machine-learning

    TensorFlow Extended (TFX) | Production Machine Learning Pipeline

    Dicembre 6, 2020
  • mean-shift-clustering-guida-italiano-spiegazione-semplice-algoritmo-di-clustering-esempio Data Science

    Mean-Shift Clustering

    Dicembre 3, 2020
  • data-minimization-principle-gdpr-principio-minimizzazione-dati-personali-gdpr-italia-consulenza-spiegazione-semplice Data Science, GDPR Compliant

    GDPR: Principio di minimizzazione dei dati (Data minimization)

    Dicembre 1, 2020
  • machine-learning-for-finance-trading-online-data-science-deep-learning-intelligenza-artificiale AI, machine-learning

    FinTech: Machine Learning for Finance (FinML) | Guide e Risorse di qualità

    Novembre 29, 2020
  • gdpr-principio-di-limitazione-della-finalita-machine-learning-data-science-guida-prupose-limitation-gdpr Data Science, GDPR Compliant

    GDPR: Principio di Limitazione della finalità | Purpose Limitation

    Novembre 26, 2020
  • machine-learning-engineer-lavoro-stipendio-responsabilità-come-diventare AI, Business, machine-learning

    Machine Learning Engineer

    Novembre 23, 2020

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino