Oltre ai classici metodi di classificazione e regressione esistono altri approcci e campi in cui l’apprendimento automatico viene utilizzato. Possiamo infatti assegnare diverse etichette allo stesso campione, creare modelli per migliorare la ricerca nelle nostre applicazioni o suggerire contenuti altamente rilevanti in base al profilo del singolo utente. Infine, possiamo costruire modelli che usano sequenze di dati per produrre nuove sequenze, quali le traduzioni o la conversione da audio a testo e viceversa.

Quando dobbiamo analizzare i dati abbiamo a disposizione diverse tecniche. Nel deep learning, ma in più in generale nella data science, possiamo avvalerci di alcuni tecniche chiamate di apprendimento superivisionato. Queste consistono nell’osservare alcuni dati di esempio per predirre valori e/o etichette su dati nuovi.

I data scientists che vogliono usare tecniche di machine learning e/o deep learning devono avere ben chiaro alcuni concetti chiave: i dati, i modelli, le funzioni obiettivo e gli algoritmi di ottimizzazione. Analizziamoli nel dettaglio per comprendere come usarli nei nostri progetti.

Il deep learning è uno strumento che ha invaso la vita di tutti i giorni. Molte delle applicazioni che usiamo quotidianamente si basano su modelli costruiti con tecniche specifiche che accumulano esperienza osservando i dati a nostra disposizione. Scopriamo cos’è e come influenza l’utilizzo e l’esperienza delle nostre applicazioni.

Quali sono i modelli NLP che hanno fatto la storia? In questa guida scopriremo alcuni di questi oltre ad una panoramica delle librerie più utilizzate per sviluppare i modelli. Infine, tratteremo alcune controversie che sono nate in questo campo.

L’elaborazione del linguaggio naturale (NLP) ci permette di creare dei sistemi in gradi di interpretare ciò che noi scriviamo. Ma come vengono trattai i dati che sono alla base di questi modelli? E quali sono le tecniche maggiormente utilizzate? In questa guida analizzeremo questi aspetti.