🤖
Cos’è il Deep Learning
Il Deep Learning è una sotto‑area del Machine Learning che utilizza reti neurali profonde per riconoscere pattern complessi.
🧠
Neurone artificiale
Un neurone artificiale riceve input, li pesa, li somma e applica una funzione di attivazione. Esempio: input = [0.5, -0.2], pesi = [1.0, 0.8] → output = 0.72.
🏗️
Architettura di una rete
Una rete è composta da layer: input, hidden (nascosti) e output. Più layer → capacità di rappresentare funzioni più complesse.
⚡
Funzione di attivazione
Le funzioni di attivazione includono ReLU (max 0, x), Sigmoid (1/(1+e⁻ˣ)) e Tanh (range -1 a 1). Scelgono se il neurone “si accende”.
🔄
Backpropagation
Il backpropagation calcola l’errore dell’output, lo propaga all’indietro e aggiusta i pesi con la regola del gradiente.
🛡️
Overfitting e regularizzazione
L’overfitting si evita con regularizzazione (Dropout, L2) e con più dati di allenamento.
📸
Convolutional Neural Networks (CNN)
Le CNN usano convoluzioni e pooling per ridurre dimensioni, eccellendo in riconoscimento visivo.
🔁
Recurrent Neural Networks (RNN)
Le RNN condividono pesi tra passi temporali, consentendo l’elaborazione di sequenze come testo o audio.
🚀
Transfer Learning
Il Transfer Learning prende un modello già addestrato (es. ResNet) e lo adatta a un nuovo compito con poche modifiche.
💡
Applicazioni pratiche
Deep Learning alimenta traduzioni automatiche, veicoli autonomi, diagnostica medica e raccomandazioni online.
Qual è la principale differenza tra Machine Learning e Deep Learning?
Deep Learning usa reti con più strati.
Machine Learning non usa dati.
Deep Learning non richiede peso.
Machine Learning è più veloce.
Deep Learning si distingue per l’uso di reti neurali profonde, mentre il Machine Learning può usare modelli più semplici.
Quale funzione di attivazione restituisce 0 per input negativi e l’input stesso per valori positivi?
Sigmoid
Tanh
ReLU
Softmax
ReLU (Rectified Linear Unit) è definita come max(0, x).
In una CNN, a cosa serve il pooling?
Aumentare la risoluzione dell’immagine.
Ridurre la dimensionalità mantenendo le caratteristiche.
Cambiare i colori dell’immagine.
Addestrare i pesi.
Il pooling (es. max‑pool) riduce le dimensioni spaziali, preservando le informazioni più importanti.
Quale problema si verifica quando una rete apprende troppo bene i dati di training?
Underfitting
Bias
Vanishing gradient
Overfitting
L’overfitting è l’eccessiva aderenza al training set, con scarsa generalizzazione.
Qual è l’obiettivo principale del backpropagation?
Generare dati sintetici.
Aumentare il numero di neuroni.
Aggiornare i pesi minimizzando l’errore.
Creare nuove funzioni di attivazione.
Backpropagation propaga l’errore all’indietro per ottimizzare i pesi tramite il gradiente.
Quale architettura è più adatta al riconoscimento di sequenze testuali?
Le RNN gestiscono dati sequenziali mantenendo uno stato interno, ideale per testo.
Quale tecnica di regularizzazione consiste nel “spegnere” casualmente alcuni neuroni durante l’addestramento?
L2 norm
Dropout
Batch normalization
Data augmentation
Dropout disattiva temporaneamente neuroni per ridurre l’overfitting.
In Transfer Learning, cosa si modifica tipicamente di un modello pre‑addestrato?
Gli input originali.
Il numero di layer.
L’architettura di convoluzione.
I pesi del layer finale per il nuovo compito.
Di solito si riaddestra l’ultimo layer (classificatore) per adattarlo al nuovo set di classi.