Come si relazionano intelligenza artificiale, apprendimento automatico, reti neurali e apprendimento Forse il modo più semplice per pensare all'intelligenza artificiale, all'apprendimento automatico, alle reti neurali e all'apprendimento profondo è pensarli come bambole russe che nidificano. Il deep learning è un sottocampo del machine learning e le reti neurali costituiscono la spina dorsale In effetti, è il numero di strati di nodi, o profondità, di reti neurali che distingue una singola rete

Reti generative avversarie (GAN)

Le CNN , note anche come ConvNet, sono costituite da più livelli e sono utilizzate principalmente per l'elaborazione delle immagini e il rilevamento di oggetti. Yann LeCun ha sviluppato la prima CNN nel 1988 quando si chiamava LeNet. È stato utilizzato per riconoscere caratteri come codici postali e cifre. Le CNN sono ampiamente utilizzate per identificare immagini satellitari, elaborare immagini mediche, prevedere serie temporali e rilevare anomalie. Come funzionano le CNN? Le CNN hanno più livelli che elaborano ed estraggono caratteristiche dai dati: Livello di convoluzione La CNN ha un livello di convoluzione che dispone di diversi filtri per eseguire l'operazione di convoluzione. Unità lineare rettificata (ReLU) Le CNN hanno un livello ReLU per eseguire operazioni sugli elementi. L'output è una mappa delle caratteristiche rettificata. Strato di raggruppamento La mappa delle caratteristiche rettificata viene quindi alimentata in un livello di pooling. Il pooling è un'operazione di downsampling che riduce le dimensioni della mappa delle caratteristiche. Il livello di pool quindi converte gli array bidimensionali risultanti dalla mappa delle caratteristiche del pool in un singolo vettore lungo, continuo e lineare appiattendolo. Livello completamente connesso Un livello completamente connesso si forma quando la matrice appiattita dal livello di pool viene alimentata come input, che classifica e identifica le immagini. Di seguito è riportato un esempio di un'immagine elaborata tramite CNN.

Sebbene fosse implicito nella spiegazione delle reti neurali, vale la pena sottolinearlo in modo più Il "profondo" nell'apprendimento profondo si riferisce alla profondità degli strati in una rete neurale Una rete neurale composta da più di tre livelli, che includerebbero gli input e l'output, può essere Questo è generalmente rappresentato utilizzando il diagramma seguente: La maggior parte delle reti neurali

Deep Learning utilizza TensorFlow e Keras per creare e addestrare reti neurali per dati strutturati. Rete neurale artificiale Rete neurale convoluzionale Rete neurale ricorrente TensorFlow Keras PyTorch Capire il funzionamento di Un singolo neurone Rete neurale profonda Discesa gradiente stocastico Overfitting

Ecco l'elenco dei 10 algoritmi di deep learning più popolari: Reti neurali convoluzionali (CNN) Reti di memoria a lungo termine (LSTM) Reti neurali ricorrenti (RNN) Reti generative avversarie (GAN) Reti con funzioni a base radiale (RBFN) Perceptron multistrato (MLP) Mappe autoorganizzanti (SOM) Reti di

Ora chiariamo tutte le differenze in modo più preciso tra Machine Learning, Deep Learning e Reti Neurali

Le reti neurali, e più specificamente le reti neurali artificiali (ANN), imitano il cervello umano attraverso Questo tecnicamente lo definisce come un perceptron poiché le reti neurali sfruttano principalmente i neurali tendono ad avere più livelli "nascosti" come parte degli algoritmi di apprendimento profondo Tuttavia, questo non è il caso delle reti neurali. avere un effetto a cascata sugli altri neuroni della rete.

Papert pubblicano un libro intitolato Perceptrons , che diventa sia il lavoro di riferimento sulle reti neurali sia, almeno per un po', un argomento contro i futuri progetti di ricerca sulle reti neurali. Anni '80: le reti neurali che utilizzano un algoritmo di backpropagation per addestrarsi diventano ampiamente 2015: il supercomputer Minwa di Baidu utilizza un tipo speciale di rete neurale profonda chiamata rete rispetto all'essere umano medio. 2016: il programma AlphaGo di DeepMind, alimentato da una rete neurale

utilizzati per il rilevamento di oggetti: ImageAI Rilevatori a colpo singolo YOLO (Guardi solo una volta) Reti neurali convoluzionali Nel resto di questo MicroCorso, vedremo cos'è esattamente ImageAI e come usarlo

Gli RBFN sono tipi speciali di reti neurali feedforward che utilizzano funzioni a base radiale come funzioni Hanno uno strato di neuroni RBF. I neuroni nello strato nascosto contengono le funzioni di trasferimento gaussiane, che hanno uscite inversamente L'output della rete è una combinazione lineare delle funzioni a base radiale dell'input e dei parametri

Gli autoencoder sono un tipo specifico di rete neurale feedforward in cui l'input e l'output sono identici Sono reti neurali addestrate che replicano i dati dal livello di input al livello di output. Quando l'immagine di una cifra non è chiaramente visibile, viene alimentata da una rete neurale di codifica

comunemente associati con l'intelligenza artificiale , machine learning , apprendimento profondo , e le reti neurali, e mentre lo fanno tutto il gioco un ruolo, questi termini tendono ad essere utilizzati in modo

Gli MLP appartengono alla classe delle reti neurali feedforward con più strati di percettroni che hanno Gli MLP inviano i dati al livello di input della rete. Gli strati di neuroni si collegano in un grafico in modo che il segnale passi in una direzione.

inventato i SOM, che consentono alla visualizzazione dei dati di ridurre le dimensioni dei dati attraverso reti neurali artificiali auto-organizzanti.