Scoprire una strategia di modellazione fondamentale
Le reti neurali convoluzionali sono un pilastro della visione artificiale, dell’elaborazione dei segnali e di un gran numero di altre attività di apprendimento automatico. Sono abbastanza semplici e, di conseguenza, molte persone li danno per scontati anche senza Veramente comprenderli. In questo articolo esamineremo la teoria delle reti convoluzionali, in modo intuitivo ed esaustivo, ed esploreremo la loro applicazione in alcuni casi d’uso.
A chi è utile? Chiunque sia interessato alla visione artificiale, all’analisi dei segnali o all’apprendimento automatico.
Quanto è avanzato questo post? Questo è un concetto molto potente, ma molto semplice; ottimo per i principianti. Questo potrebbe anche essere un buon ripasso per i data scientist esperti, in particolare nel considerare le convoluzioni in varie dimensioni.
Prerequisiti: Una familiarità generale con la backpropagation e le reti neurali dense potrebbe essere utile, ma non è richiesta. Li tratto entrambi in questo post:
Il primo argomento esplorato da molti data scientist alle prime armi è una fitta rete neurale. Questa è la classica rete neurale composta da nodi e bordi che hanno determinati parametri apprendibili. Questi parametri consentono al modello di apprendere sottili relazioni sugli argomenti su cui è stato addestrato.
Man mano che il numero di neuroni all’interno della rete cresce, le connessioni tra gli strati diventano sempre più abbondanti. Ciò può consentire ragionamenti complessi, il che è fantastico, ma la “densità” delle reti dense rappresenta un problema quando si ha a che fare con le immagini.
Diciamo che vogliamo addestrare una fitta rete neurale a prevedere se un’immagine contiene o meno un cane. Potremmo creare una fitta rete che guarda ogni pixel dell’immagine…
Fonte: towardsdatascience.com
