Apprendimento superficiale

Nell'apprendimento superficiale ( shallow learning ) la macchina apprende la conoscenza dal del dataset di training in modo diretto senza ulteriori rielaborazioni.

Come funziona

I parametri del modello decisionale sono individuati dalle caratteristiche (features) ed eventualmente dal target degli esempi nel training dataset.

La differenza tra apprendimento superficiale e profondo

Lo shallow learning si contrappone al deep learning, dove la macchina apprende la conoscenza su più livelli, sempre dagli esempi ma in modo indiretto.

un esempio di rete neurale a due livelli

Esempio. Nel deep learning la rete neurale (neural network) è composta da almeno due livelli intermedi nascosti (hidden layers). Quindi, l'output (rosso) non è definito in modo diretto dall'input della rete (giallo) perché l'ultimo livello prende in input l'output del livello precedente.

Nello shallow learning, invece, la rete neurale è composta da un solo strato intermedio nascosto (verde). Quindi, l'output della rete (rosso) è definito direttamente dall'input della rete (giallo).

un esempio di simple neural network

Pro e contro dell'apprendimento superficiale

Il vantaggio dell'apprendimento superficiale è soprattutto la minore complessità computazionale.

A parità di altri fattori, l'adddestramento della macchina consuma meno risorse e il tempo di elaborazione è minore.

Lo svantaggio è la semplicità dell'apprendimento e la difficoltà ad apprendere concetti più astratti.

Nota. Nelle reti neurali profonde (deep learning) il passaggio delle informazioni su più livelli consente di generalizzare l'analisi e permette un ragionamento artificiale più astratto.

E così via.



Segnalami un errore, un refuso o un suggerimento per migliorare gli appunti

knowledge base

Libri di approfondimento

Machine Learning (ML)