Applicazioni pratiche di deep learning

Il deep learning fa parte di una famiglia più ampia di metodi di machine learning basati su reti neurali artificiali . Architetture di deep learning come reti neurali profonde , reti di credenze profonde , apprendimento per rinforzo profondo , reti neurali ricorrenti e reti neurali convoluzionali sono state applicate a campi tra cui visione artificiale , riconoscimento vocale , elaborazione del linguaggio naturale , traduzione automatica , bioinformatica , progettazione di farmaci , analisi delle immagini in medicina e relative diagnosi, scienze del clima , gestione delle relazioni con i clienti, sistemi di raccomandazione in cui hanno prodotto risultati paragonabili e in alcuni casi superiori alle prestazioni degli esperti umani.

In questo libro verranno utilizzati dei modelli di deep learning per scopi pratici utilizzando il linguaggio di programmazione Python , Google Colab e Hugging face .

Google Colaboratory (noto anche come Colab) è un ambiente gratuito per notebook Jupyter che viene eseguito nel cloud e archivia i propri notebook su Google Drive. Un documento Jupyter Notebook aperto tramite browser contiene un elenco ordinato di celle di input/output che possono contenere codice in Python, testo (utilizzando Markdown), matematica, grafici e rich media. Sotto l'interfaccia, un notebook è un documento JSON , che di solito termina con l'estensione ".ipynb". Per creare un notebook su Colab, basta avere un account Google , collegarsi con : https://colab.research.google.com/ e cliccare su Nuovo. Usare Colab per il deep learning è necessario perché è possibilie usufruire gratuitamente delle risorse di calcolo di Google (GPU, TPU, RAM ecc.) infatti una normale CPU non è sufficiente per addestrare un modello di deep learning.

Hugging Face https://huggingface.co/ è una piattaforma di community e data science che consente agli utenti di creare, addestrare e distribuire modelli di Deep Learning basati su codice e tecnologie open source (OS). Su Hugging Face è possibile creare ed esplorare dataset, modelli di deep learning e pubblicare applicazioni basate sui modelli (spaces) . Nella pagina relativa al modello è possibile utilizzarlo direttamente; ad esempio in un classificatore di immagini si può caricare una foto e ottenerne la previsione . Inoltre è possibile caricare su di un notebook Colab un dataset e/o modello di Hugging Face ed utilizzarlo per fare previsioni .

Altri Wikibooks

• Applicazioni pratiche di machine learning
• Esempi di statistica descrittiva e inferenziale
• Esempi di Business Analytics