La relazione che intercorre tra intelligenza artificiale, il machine learning e il deep learning puo essere espressa tramite la simbologia della teoria degli insiemi: all'interno dell'intelligenza artificiale si colloca il machine learning all'interno del machine learning si colloca l'intelligenza artificiale all'interno del deep learning si colloca l'intelligenza artificiale all'interno del deep learning si colloca il machine learning diverse.
I primi lavori scientifici sull'intelligenza artificiale risalgono al 1950 circa. Essi hanno avuto risultati interessanti come la realizzazione di: sistemi in grado di tagliare l'erba autonomamente sistemi in grado di afferrare tramite una mano di un robot una matita sistemi di miglioramento per le immagini digitali programmi in grado di giocare a scacchi.
Lo studio dell'intelligenza artificiale ha portato alla seguente conclusione: non tutti i problemi che un essere umano si trova ad affrontare ogni giorno possono essere facilmente rappresentati tramite un insieme predefinito di regole i problemi piu semplici per un umano sono i piu facili da risolvere per l'intelligenza artificiale prendere una penna rossa da un astuccio con tante penne colorate e un problema molto semplice per un robot e' possibile realizzare sistemi intelligenti e adattivi semplicemente tramite una lista di condizioni if-else.
Il meccanismo di funzionamento del machine learning e basato sui dati. In particolare, il paradigma del machine learning
prevede: come input i dati e le regole e come output le risposte come input i dati e le risposte attese e come output le regole che consentono di connettere i dati alle risposte attese come input le regole e le risposte e come output i dati come input le formule matematiche e le risposte e come output i dati.
Un meccanismo di funzionamento del machine learning e basato sull'apprendimento supervisionato. Esistono anche altre modalita di apprendimento, tra cui l'apprendimento: robotizzato e esponenziale ultra-supervisionato e mega-supervisionato semi-supervisionato e di rinforzo intrarevisionato e con regole.
Con le tecniche di apprendimento mediante machine learning: i sistemi imparano a ragionare come un essere umano e' possibile costruire macchine in grado di compiere perfettamente qualunque operazione umana vengono generate delle regole che, se applicate ad uno specifico insieme di dati, forniscono i risultati desiderati viene ricreato fisicamente il cervello umano.
Un algoritmo di machine learning riesce a creare un modello predittivo in grado di ottenere buoni risultati su nuovi dati (diversi dai dati di training). Questo e possibile se: i nuovi dati hanno proprieta statistiche molto diverse dai dati di training i dati di training sono stati scelti in modo da rispecchiare la distribuzione statistica dei casi reali i nuovi dati hanno proprieta statistiche completamente differenti dai dati di training i nuovi dati e i dati di training non sono correlabili tra loro.
Il deep learning e una particolare branca del machine learning in cui il modello statistico viene imparato gerarchicamente, cioe: si hanno piu strati di apprendimento concatenati si ha un solo strato centralizzato di apprendimento si ha un solo layer di apprendimento l'unico layer di apprendimento e nascosto.
La parola deep (profondo) sta ad indicare la "lunga" catena di rappresentazioni che vengono create in un sistema di
apprendimento automatico. Il numero di layer che contribuiscono alla creazione del modello indicano: il grado del modello i byte usati nel modello i bit usati nel modello la profondita della rete.
Nel deep learning, le rappresentazioni vengono apprese tramite l'uso di reti neurali, grazie al fatto che: il deep learning consente alla macchina di pensare come un cervello umano deep learning e meccanismi cognitivi del cervello umano sono la stessa cosa tecniche matematiche permettono di creare una rappresentazione accurata del problema derivata dai dati il funzionamento delle reti neurali e in tutto e per tutto identico ai meccanismi cognitivi del cervello umano.
|
