Approcci di Machine Learning per il Riconoscimento di Immagini

Oggigiorno, la quantità di dati che viene collezionata e archiviata nei server e data center di internet, è enorme, e sta crescendo esponenzialmente basti pensare a quante foto e video vengono caricati in rete ogni giorno, infatti in un solo minuto vengono caricati su Youtube circa 400 ore di video. Nasce da qui il bisogno di sistemi e algoritmi che sono in grado di elaborare questi dati per estrarre informazioni, si pensi a quante informazione possono essere ottenute analizzando una singola immagine presa da un video. Se per dati ad esempio intendiamo immagini, il primo passo in questo lavoro è quello di realizzare sistemi in grado di riconoscere e classificare con ottima accuratezza un dataset con un numero elevato di classi. I sistemi di Machine Learning imparano automaticamente a classificare dai dati, che ha portato negli ultimi anni la loro rapida diffusione, oggi questi sistemi gli troviamo nella ricerca web, filtri di spam, trading di azioni, riconoscimento frodi, preparazione farmaci e molte altre. Secondo un recente rapporto della McKinsey Global Institute, sostiene che il machine Learning sarà la tecnologia che porterà alla prossima grande onda di innovazione[4]. In questa tesi si tenterà di spiegare i principi di funzionamento dei principali approcci di machine Learning per la classificazione delle immagini, e di valutare ciascuno di questi approcci su un dataset di 60000 esempi, verrà poi effettuato un confronto tra le varie tecniche al fine di comprendere altri aspetti importanti nel compito di classificazione.