L'apprendimento approfondito è una potente forma di machine learning (ML) che costruisce strutture matematiche complesse chiamate reti neurali che utilizzano grandi quantità di dati (informazioni).
Definizione di apprendimento profondo
L'apprendimento approfondito è un modo per implementare ML utilizzando più livelli di reti neurali per elaborare tipi di dati più complessi. A volte chiamato apprendimento gerarchico, l'apprendimento approfondito utilizza diversi tipi di reti neurali per apprendere le caratteristiche (chiamate anche rappresentazioni) e trovarle in grandi serie di dati grezzi e non etichettati (dati non strutturati). Una delle prime dimostrazioni rivoluzionarie di apprendimento profondo è stata un programma che ha selezionato con successo immagini di gatti su set di video di YouTube.
Esempi di apprendimento profondi nella vita quotidiana
L'apprendimento approfondito non viene utilizzato solo per il riconoscimento delle immagini, ma anche per la traduzione linguistica, il rilevamento delle frodi e per analizzare i dati raccolti dalle aziende sui loro clienti. Ad esempio, Netflix utilizza l'apprendimento approfondito per analizzare le abitudini di visualizzazione e prevedere quali spettacoli e film preferisci guardare. È così che Netflix sa mettere film d'azione e documentari sulla natura nella tua coda di suggerimenti. Amazon utilizza deep learning per analizzare i tuoi acquisti recenti e gli oggetti che hai cercato di recente per creare suggerimenti per i nuovi album di musica country che ti interessano e che sei nel mercato per un paio di tennis grigio e giallo scarpe. Poiché l'apprendimento approfondito fornisce sempre più informazioni dai dati non strutturati e grezzi, le aziende possono anticipare meglio le esigenze dei propri clienti mentre voi, i singoli clienti, ricevete un servizio clienti più personalizzato.
Reti neurali artificiali e apprendimento profondo
Per rendere più facile la comprensione dell'apprendimento approfondito, rivisitiamo il nostro confronto di una rete neurale artificiale (ANN). Per un apprendimento approfondito, immagina che il nostro edificio per uffici di 15 piani occupi un isolato con altri cinque edifici per uffici. Ci sono tre edifici su ciascun lato della strada. Il nostro edificio sta costruendo A e condivide lo stesso lato della strada degli edifici B e C. Dall'altra parte della strada rispetto all'edificio A si trova l'edificio 1, e dall'edificio B si sta costruendo 2, e così via. Ogni edificio ha un diverso numero di piani, è realizzato con materiali diversi e ha uno stile architettonico diverso dagli altri. Tuttavia, ogni edificio è ancora organizzato in piani separati (strati) di uffici (nodi), quindi ogni edificio è un ANN unico.
Immagina che un pacchetto digitale arrivi all'edificio A, contenente molti tipi diversi di informazioni da più fonti come dati basati su testo, flussi video, flussi audio, chiamate telefoniche, onde radio e fotografie, tuttavia, arriva in un unico grande guazzabuglio e non è etichettato o ordinato in alcun modo logico (dati non strutturati). Le informazioni vengono inviate attraverso ogni piano in ordine dal 1st fino a 15esimo per l'elaborazione. Dopo l'informazione, il guazzabuglio raggiunge il 15esimo floor (output), viene inviato al 1st piano (input) dell'edificio 3 insieme al risultato finale dell'elaborazione dall'edificio A. L'edificio 3 impara e incorpora il risultato inviato dall'edificio A e quindi elabora il miscuglio di informazioni attraverso ciascun piano nello stesso modo. Quando l'informazione raggiunge l'ultimo piano dell'edificio 3, viene inviata da lì con i risultati di quell'edificio fino all'edificio 1. L'edificio 1 apprende e incorpora i risultati dall'edificio 3 prima di elaborarlo piano per piano. L'edificio 1 passa le informazioni e produce lo stesso risultato per la costruzione di C, che elabora e invia all'edificio 2, che elabora e invia all'edificio B.
Ogni ANN (costruzione) nel nostro esempio cerca una funzione diversa nei dati non strutturati (guazzabuglio di informazioni) e passa i risultati al prossimo edificio. Il prossimo edificio incorpora (apprende) l'output (risultati) dal precedente. Poiché i dati vengono elaborati da ogni ANN (edificio), vengono organizzati ed etichettati (classificati) da una particolare caratteristica in modo che quando i dati raggiungono l'output finale (ultimo piano) dell'ultima ANN (edificio), vengono classificati ed etichettati (più strutturato).
Intelligenza artificiale, Machine Learning e Deep Learning
In che modo l'apprendimento profondo si inserisce nel quadro generale dell'intelligenza artificiale (AI) e della ML? Apprendimento profondo aumenta la potenza della ML e aumenta la gamma di compiti che l'IA è in grado di eseguire. Poiché l'apprendimento approfondito si basa sull'uso di reti neurali e sul riconoscimento di funzionalità all'interno di set di dati anziché semplici algoritmi specifici delle attività, può trovare e utilizzare i dettagli da dati non strutturati (non elaborati) senza che un programmatore debba etichettarli manualmente per primo, una volta -consumare attività che possono introdurre errori. L'apprendimento approfondito aiuta i computer a migliorare l'utilizzo dei dati per aiutare sia le aziende che i singoli individui.
