Deep Learning

L'apprendimento profondo (noto anche come apprendimento strutturato profondo) fa parte di una famiglia più ampia di metodi di apprendimento automatico basati su reti neurali artificiali con apprendimento della rappresentazione. L'apprendimento può essere supervisionato, semi-supervisionato o non supervisionato.

Architetture di apprendimento profondo come reti neurali profonde, reti di credenze profonde, apprendimento per rinforzo profondo, reti neurali ricorrenti e reti neurali convoluzionali sono state applicate a campi tra cui visione artificiale, riconoscimento vocale, elaborazione del linguaggio naturale, traduzione automatica, bioinformatica, progettazione di farmaci, medicina analisi delle immagini, scienze del clima, ispezione dei materiali e programmi di giochi da tavolo, dove hanno prodotto risultati paragonabili e in alcuni casi superiori alle prestazioni degli esperti umani.

Le reti neurali artificiali (ANN) sono state ispirate dall'elaborazione delle informazioni e dai nodi di comunicazione distribuiti nei sistemi biologici. Le RNA hanno varie differenze rispetto ai cervelli biologici. In particolare, le reti neurali artificiali tendono ad essere statiche e simboliche, mentre il cervello biologico della maggior parte degli organismi viventi è dinamico (plastico) e analogico.

L'aggettivo "deep" in deep learning si riferisce all'uso di più livelli nella rete. I primi lavori hanno mostrato che un perceptron lineare non può essere un classificatore universale, ma che una rete con una funzione di attivazione non polinomiale con uno strato nascosto di larghezza illimitata può farlo. Il deep learning è una variazione moderna che riguarda un numero illimitato di livelli di dimensioni limitate, che consente l'applicazione pratica e l'implementazione ottimizzata, pur mantenendo l'universalità teorica in condizioni miti. Nell'apprendimento profondo gli strati possono anche essere eterogenei e deviare ampiamente dai modelli connessionisti biologicamente informati, per motivi di efficienza, addestrabilità e comprensione, da cui la parte "strutturata".