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.
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).
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.
