Modelli di deep learning e principali applicazioni

Questa breve ricerca racchiude tutte le attuali conoscenze del sottoscritto su quello che in italiano è noto come "apprendimento automatico" (machine learning) e si propone di offrire al lettore, senza pretesa di completezza, una panoramica sul funzionamento delle principali architetture che stanno alla base delle tecnologie di visione artificiale e riconoscimento automatico del discorso. In particolare la trattazione si concentra sull’approccio "connessionista" [Domingos, 2016] al problema dell’apprendimento, che è quello che negli anni più recenti - anche grazie alla discesa dei prezzi dell’hardware ad alto parallelismo come le moderne GPU - ha dato nuova vita alle Reti Neurali, fondando di fatto quel campo noto al grande pubblico come "apprendimento approfondito" (deep learning). In particolare il presente elaborato va ad approfondire due delle principali architetture di reti neurali che costituiscono questa branca di studi: • Le Reti Neurali Convoluzionali (CNNs) • Le Reti Neurali Ricorrenti (RNNs) E’ rilevante sottolineare che esiste uno stretto legame tra questo insieme di metodi e tecniche ad alta interdisciplinarietà e lo studio della Fisica. Il machine learning è al tempo stesso una scienza e una tecnologia e può essere applicato in ogni campo nel quale è richiesto costruire algoritmi, che sono in grado di apprendere da un insieme di dati di input e fare previsioni su questi ultimi. A sua volta la Fisica, attraverso l’applicazione del Metodo Scientifico, si occupa di verificare e misurare i fenomeni naturali al fine di stabilire i principi e le leggi che li governano. Fino ad oggi la raccolta di dati empirici e la verifica delle teorie da vagliare sono state il risultato di un laborioso processo manuale. Il machine learning offre la promessa di automatizzare e velocizzare il processo di verifica ed estrazione di conoscenza dai dati, rappresentando un vero e proprio "doping applicato al metodo scientifico". [Domingos, 2016]