Deep learning: scaricate il corso gratuito dell'Università di Ginevra

Le soluzioni basate sull’intelligenza artificiale sono sempre più diffuse e diventate essenziali per il sostegno di molte attività professionali e flussi di lavoro in azienda. Il deep learning è una sotto-disciplina dell’apprendimento automatico (machine learning) che si basa su reti neurali artificiali profonde, composte da strati di nodi interconnessi. Queste reti sono in grado di apprendere rappresentazioni complesse dei dati mediante l’elaborazione di informazioni attraverso più livelli, chiamati appunto “strati”.

Il deep learning eccelle nell’elaborazione di grandi quantità di dati complessi e non strutturati, come immagini, testo e suoni. Ciò consente alle aziende di estrarre informazioni significative da dati precedentemente difficili da interpretare. Le reti neurali profonde sono particolarmente efficaci in compiti specifici come il riconoscimento di immagini, il riconoscimento vocale, la traduzione automatica e il riconoscimento del linguaggio naturale.

Perché il deep learning è così utile per professionisti e aziende

L’automazione è una delle chiavi di volta del deep learning: aziende e professionisti possono sfruttare gli algoritmi di deep learning per automatizzare compiti ripetitivi e ridurre la dipendenza da interventi umani, aumentando l’efficienza operativa.

Grazie al deep learning è possibile scoprire modelli nei dati che normalmente sfuggono all’osservazione e all’analisi umana. Ciò può portare a nuove intuizioni e opportunità di business, nonché a miglioramenti nelle decisioni basate sui dati.

Le reti neurali profonde sono inoltre in grado di adattarsi ai dati in evoluzione, apprendendo e migliorando continuamente con l’addestramento basato su nuove informazioni. Si tratta di un vantaggio prezioso per tutti quegli ambiti aziendali ove, ovviamente, i dati cambiano continuamente nel corso del tempo.

Le aziende che adottano con successo il deep learning possono guadagnare un vantaggio competitivo significativo. La capacità di trarre informazioni utili dai dati può tradursi in decisioni aziendali più informate e tempestive.

Il corso sul deep learning dell’Università di Ginevra è gratis per tutti

Ecco perché riteniamo di cruciale importanza dare spazio a iniziative come quella promossa da François Fleuret, docente presso l’Università di Ginevra (Svizzera).

Feluret ha pubblicato un articolato corso sul deep learning condividendo slide, dispense in formato PDF, video e codice di esempio immediatamente utilizzabili da chiunque voglia avvicinarsi alla materia. Il corso, che spazia dagli obiettivi del machine learning alle tecniche specifiche del deep learning, è implementato utilizzando il framework PyTorch.

Il “viaggio” inizia con una panoramica sui concetti fondamentali del machine learning e sulle principali sfide affrontate in questo campo. I concetti illustrati da Fleuret permettono di acquisire una comprensione approfondita degli obiettivi del machine learning e delle difficoltà che possono sorgere durante l’implementazione degli algoritmi di apprendimento automatico.

Un capitolo cruciale riguarda le operazioni sui tensori, strutture dati fondamentali nel contesto del deep learning: è essenziale apprendere come manipolarli e usarli.

L’autore del corso approfondisce quindi il concetto di differenziazione automatica, un elemento chiave per l’ottimizzazione dei modelli. Il gradiente discendente, metodo fondamentale per l’aggiornamento dei pesi del modello, è anch’esso analizzato in dettaglio.

Differenziazione automatica

La differenziazione automatica è una tecnica che consente di calcolare automaticamente le derivate di una funzione rispetto alle sue variabili. In altre parole, quando si ha una funzione complessa e si desidera conoscere il tasso di variazione di tale funzione rispetto ai suoi parametri, la differenziazione automatica permette di calcolare questo tasso senza dover derivare manualmente la funzione.

Nel contesto del machine learning, la differenziazione automatica è fondamentale per l’addestramento dei modelli. Durante il processo di addestramento, l’obiettivo è regolare i parametri del modello in modo che l’output sia il più vicino possibile alle etichette corrette (risposte corrette o output desiderati). La differenziazione automatica consente di calcolare il gradiente della funzione di perdita rispetto ai parametri del modello, che indica la direzione e l’entità del cambiamento necessario per ridurre la perdita.

Gradiente discendente

La funzione di perdita è una misura che indica quanto le predizioni del modello si discostano dalle etichette corrette presenti nel dataset di addestramento. I parametri del modello sono le variabili interne che il modello regola durante l’addestramento al fine di ridurre la perdita.

Il gradiente discendente è un algoritmo di ottimizzazione utilizzato per minimizzare una funzione di perdita. L’idea alla base del gradiente discendente è quella di regolare iterativamente i parametri del modello per minimizzare la perdita e migliorare le prestazioni durante l’addestramento.

Modelli generativi, ricorrenti e basati sull’attenzione

Il corso esplora le tecniche specifiche del deep learning, fornendo una panoramica approfondita delle metodologie avanzate utilizzate nell’addestramento e nella valutazione dei modelli. Gli studenti possono così immergersi nell’utilizzo dei modelli generativi, ricorrenti e basati sull’attenzione (ne parliamo nell’articolo sui Transformer), acquisendo competenze fondamentali per affrontare problemi complessi nel mondo reale.

I modelli generativi sono progettati per generare nuovi dati che assomiglino a quelli presenti nel set di addestramento. Possono essere utilizzati per generare immagini, testo, suoni o altri tipi di dati. Esempi sono le Reti Generative Avversarie (GAN) e le Reti Generative Convenzionali (ad esempio, modelli basati su distribuzioni probabilistiche come reti generative gaussiane).

I modelli ricorrenti (RNN, Recurrent Neural Networks) sono progettati per lavorare con dati sequenziali e tenere conto delle informazioni passate. Possono elaborare sequenze di lunghezza variabile e conservare uno stato interno (memoria) che è aggiornato a ogni passo temporale.

I modelli basati sull’attenzione, invece, sono progettati per concentrarsi su parti specifiche dell’input durante il processo di apprendimento. L’attenzione permette al modello di dare più importanza a certe “aree” o elementi in input. Il modello diventa così molto più flessibile e in grado di gestire relazioni complesse.

Sessioni pratiche grazie all’utilizzo di una macchina virtuale

Chi decide di seguire il corso sul deep learning può cimentarsi in sessioni pratiche che offrono l’opportunità di applicare direttamente i concetti appresi. La macchina virtuale (VM) che simula un ambiente di lavoro completo.

Così, gli studenti possono utilizzare sin da subito PyTorch e svolgere esercitazioni pratiche attraverso il browser Web, accedendo a una VM preconfigurata con Linux e tutti gli strumenti necessari. Fleuret ha in questo modo voluto semplificare le attività di sviluppo e testing dispensando gli studenti dal dover predisporre autonomamente un sistema adatto allo scopo.

Il rovescio della medaglia è che, ovviamente, la VM non permette di sfruttare appieno le risorse hardware disponibili sul sistema host, come le GPU.

PyTorch è un framework open source per il machine learning e il deep learning che offre un’ampia gamma di strumenti per sviluppatori e ricercatori. Creato da Facebook AI Research Lab (FAIR), PyTorch è diventato uno dei framework più popolari per la creazione e l’addestramento dei modelli.

I requisiti per seguire il corso

Il corso richiede una solida comprensione di alcuni concetti chiave che affondano le radici nell’algebra lineare, nel calcolo differenziale, nella programmazione Python, nella probabilità e statistica di base, ottimizzazione e fondamenti di algoritmi ed elaborazione del segnale. È altresì consigliata la consultazione delle guide di Python, Jupyter Notebook e PyTorch in modo da acquisire tutte le nozioni di base.

Credit immagine in apertura: iStock.com/Black_Kira

I 5 prodotti TOP del Black Friday di Amazon