Introduzione al deep learning
Il Deep Learning (o apprendimento approfondito) è una tecnica di apprendimento automatico che insegna ai computer a fare ciò che viene naturale per gli umani: imparare dall’esempio. Il Deep Learning è una tecnologia chiave dietro le macchine senza conducente, che consente loro di riconoscere un segnale di stop o di distinguere un pedone da un lampione. È la chiave per il controllo vocale in dispositivi come telefoni, tablet, TV e altoparlanti vivavoce.
Il Deep Learning sta ricevendo molta attenzione ultimamente ed è per una buona ragione, sta ottenendo risultati che prima non erano possibili.
Nel Deep Learning, un modello computerizzato impara a eseguire compiti di classificazione direttamente da immagini, testo o suoni. I modelli di Deep Learning possono raggiungere un’accuratezza allo stato dell’arte, a volte superando le prestazioni di un essere umano. I modelli vengono addestrati utilizzando un ampio set di dati etichettati e architetture di reti neurali che contengono molti layers (strati).
Come funziona
La maggior parte dei metodi di Deep Learning utilizzano le architetture di reti neurali, motivo per cui i modelli di apprendimento profondo vengono spesso definiti reti neurali profonde.
Il termine “profondo” di solito si riferisce al numero di layers nascosti nella rete neurale. Le reti neurali tradizionali contengono solo 2-3 layer nascosti, mentre le reti profonde possono avere fino a 150.
I modelli di Deep Learning vengono formati utilizzando ampi set di dati etichettati e architetture di reti neurali che apprendono le funzionalità direttamente dai dati senza la necessità di estrarre manualmente le funzionalità.
Quali sono le differenze tra Machine Learning e Deep Learning?
Il Deep Learning è una forma specializzata di Machine Learning. Un flusso di lavoro di Machine Learning inizia con le funzionalità pertinenti che vengono estratte manualmente dalle immagini. Le funzionalità vengono quindi utilizzate per creare un modello che classifica gli oggetti nell’immagine. Con un flusso di lavoro di Deep Learning, le funzionalità rilevanti vengono automaticamente estratte dalle immagini. Inoltre, il Deep Learning esegue “l’apprendimento end-to-end” – in cui una rete riceve dati grezzi e un’attività da eseguire, come la classificazione, e impara come farlo automaticamente.
Un’altra differenza fondamentale è che gli algoritmi di Deep Learning si adattano ai dati, mentre lo Shallow Learning (o apprendimento superficiale) li converge. Lo Shallow Learning si riferisce ai metodi di apprendimento automatico che si stabilizzano a un certo livello di prestazioni quando si aggiungono altri esempi e non vanno oltre quello.
Un vantaggio chiave delle reti di Deep Learning è che esse, al contrario, continuano a migliorare con l’aumentare delle dimensioni dei dati.
Nel Machine Learning, si selezionano manualmente le funzioni e un classificatore per ordinare le immagini. Con il Deep Learning, i passaggi di estrazione e modulazione sono automatici.
Applicazioni di Deep Learning
I modelli di rete Deep Learning pre-impostati possono essere utilizzati per applicare rapidamente il Deep Learning ai problemi eseguendo l’apprendimento del trasferimento o l’estrazione delle funzioni. Per gli utenti di MATLAB, alcuni modelli disponibili includono AlexNet, VGG-16 e VGG-19, così come i modelli Caffe (ad esempio, da Caffe Model Zoo) importati usando importCaffeNetwork.
Utilizza AlexNet per identificare oggetti con la tua Webcam
Usa MATLAB, una semplice webcam ed un Deep Neural Network per identificare gli oggetti nei tuoi dintorni.
