Caratteristiche e differenza tra Machine learning e Deep Learning

Machine learning

L’apprendimento automatico, o machine learning, è il campo dell’informatica che fornisce ai computer la capacità di imparare ad eseguire un task senza essere stati esplicitamente programmati per la sua esecuzione. Questo campo si è evoluto dagli studi sul riconoscimento di pattern e sull’apprendimento computazionale teorico nel campo dell’intelligenza artificiale, di fatto il machine learning esplora lo studio e la costruzione di algoritmi che permettono l’apprendimento di informazioni a partire da dati disponibili e forniscono la capacità di predire nuove informazioni alla luce di quelle apprese. Attraverso la costruzione di un modello che impara automaticamente a predire nuovi dati a partire da osservazioni, questi algoritmi superano il classico paradigma delle istruzioni strettamente statiche. Il machine learning trova il suo impiego principale in quell’insieme di problemi di computazione in cui la progettazione e l’implementazione di algoritmi ad-hoc non è praticabile o è poco conveniente.

Il machine learning presenta profondi legami col campo dell’ottimizzazione matematica, il quale fornisce metodi, teorie e domini di applicazione. Molti problemi di apprendimento automatico, infatti, sono formulati come problemi di minimizzazione di una certa funzione di perdita (loss function) nei confronti di un determinato set di esempi (training set). Questa funzione esprime la discrepanza tra i valori predetti dal modello in fase di allenamento e i valori attesi per ciascuna istanza di esempio. L’obiettivo finale è dunque quello di insegnare al modello la capacità di predire correttamente i valori attesi su un set di istanze non presenti nel training set (test set) mediante la minimizzazione della loss function in questo insieme di istanze. Questo porta ad una maggiore generalizzazione delle capacità di predizione.

Deep Learning

Il Deep Learning è un’area del Machine Learning che si basa su un particolare tipo di apprendimento dei dati. Esso è caratterizzato dallo sforzo di creare un modello di apprendimento automatico a più livelli, nel quale i livelli più profondi prendano in input le uscite dei livelli precedenti, trasformandoli e astraendoli sempre di più. Questa intuizione sui livelli di apprendimento dà il nome all’intero ambito (apprendimento in profondità) e si ispira al modo in cui il cervello dei mammiferi processa le informazioni ed impara, rispondendo agli stimoli esterni.

Ogni livello di apprendimento corrisponde, in questo ipotetico parallelo, ad una delle diverse aree che compongono la corteccia cerebrale. Ciascuno di questi settori riceve una rappresentazione in ingresso, per mezzo dei segnali di flusso che lo collegano agli altri settori. Ogni livello di questa gerarchia rappresenta un diverso livello di astrazione, con le caratteristiche più astratte definite in termini di quelle del livello inferiore. Nel momento in cui il cervello riceve in ingresso delle immagini, le elabora tramite diverse fasi, ad esempio il rilevamento dei bordi, la percezione delle forme (da quelle primitive a quelle
gradualmente sempre più complesse). Si parla per questo di rappresentazione gerarchica dell’immagine a livello di astrazione crescente. Così come il cervello apprende per tentativi e attiva nuovi neuroni apprendendo dall’esperienza, anche nelle architetture preposte al Deep Learning, gli stadi di estrazione si modificano in base alle informazioni ricevute in ingresso.

Lo sviluppo del Deep Learning è avvenuto conseguentemente e parallelamente allo studio delle intelligenze artificiali, ed in particolar modo delle reti neurali.

Per quanto riguarda gli ambiti di applicazione, il Deep Learning trova ampio spazio nello sviluppo di sistemi di riconoscimento vocale e del parlato, nella ricerca di pattern e soprattutto nel riconoscimento di immagini, grazie alle sue caratteristiche di apprendimento per livelli, che gli consentono di concentrarsi, passo dopo passo, sulle varie aree di un’immagine da processare e classificare.