Il deep learning è una branca del machine learning che utilizza reti neurali artificiali per elaborare e analizzare le informazioni. Le reti neurali sono composte da nodi di calcolo stratificati all'interno di algoritmi di deep learning. Ogni livello contiene uno strato di input, uno di output e uno nascosto. Alla rete neurale vengono forniti dati di addestramento, che aiutano l'algoritmo ad apprendere e a migliorare l'accuratezza. Quando una rete neurale è composta da tre o più strati, la si definisce "profonda", da qui deep learning.

Gli algoritmi di deep learning si ispirano ai meccanismi del cervello umano e vengono utilizzati per l'analisi dei dati con una struttura logica. Il deep learning viene utilizzato in molte delle attività che oggi pensiamo come AI, tra cui il riconoscimento vocale e di immagini, il rilevamento di oggetti e l'elaborazione del linguaggio naturale. Il deep learning può creare correlazioni non lineari e complesse all'interno dei set di dati, sebbene richieda più dati di addestramento e risorse informatiche rispetto al machine learning.

Alcuni tipi comuni di reti neurali utilizzate per il deep learning includono:

Le reti neurali feed-forward (FF) sono una delle forme più vecchie di reti neurali, in cui i dati passano in un solo verso tra i livelli di neuroni artificiali fino a raggiungere l'output.

Le reti neurali ricorrenti (RNN) si differenziano dalle reti neurali feed-forward in quanto di solito utilizzano dati di serie temporali o che prevedono sequenze. Le reti neurali ricorrenti hanno "memoria" di ciò che è successo nello strato precedente in quanto dipendente dall'output di quello corrente.

La memoria a lungo termine e a breve termine (LSTM) è una forma avanzata di RNN che può utilizzare la memoria per "ricordare" ciò che è accaduto nei livelli precedenti.

Le rete neurali convoluzionali (CNN) includono alcune delle reti neurali più comuni nell'intelligenza artificiale moderna e utilizzano diversi livelli distinti (uno convoluzionale, quindi uno di pooling) che filtrano parti diverse di un'immagine prima di ricrearla (nello strato completamente connesso).

Le reti generative avversarie (GAN) sono due reti neurali (una che funge da "generatore" e l'altra da "discriminatore") che competono tra loro in un gioco che alla fine migliora l'accuratezza del risultato.

Il machine learning è una branca dell'intelligenza artificiale che consente a un sistema di apprendere e migliorare in modo autonomo senza essere programmato esplicitamente. Gli algoritmi di machine learning agiscono riconoscendo pattern e dati e facendo previsioni quando vengono inseriti nuovi dati nel sistema.

A grandi linee, nel machine learning vengono spesso utilizzati tre tipi di modelli: supervisionato, non supervisionato e di rinforzo.

L'apprendimento supervisionato è un modello di machine learning che utilizza dati di addestramento etichettati (dati strutturati) per mappare un input specifico a un output. Nell'apprendimento supervisionato, l'output è noto (ad esempio il riconoscimento dell'immagine di una mela) e il modello viene addestrato sui dati dell'output noto. In parole povere, per addestrare l'algoritmo a riconoscere le immagini di mele, gli si forniscono immagini etichettate come mele.

Gli algoritmi di apprendimento supervisionato più comuni utilizzati oggi includono:

• Regressione lineare
• Regressione polinomiale
• Risultati vicini K-nearest
• Naive Bayes
• Regressione polinomiale
• Alberi decisionali

L'apprendimento non supervisionato è un modello di machine learning che utilizza dati non etichettati (dati non strutturati) per apprendere pattern. A differenza dell'apprendimento supervisionato, l'output non è noto in anticipo. Piuttosto, l'algoritmo apprende dai dati senza input umani (di conseguenza, non è supervisionato) e li classifica in gruppi in base agli attributi. Ad esempio, se l'algoritmo riceve immagini di mele e banane, lavorerà da solo per classificare l'immagine di una mela e quella di una banana. L'apprendimento non supervisionato è efficace nella modellazione descrittiva e nella corrispondenza di pattern.

Gli algoritmi di apprendimento non supervisionato più comuni utilizzati oggi includono:

• Medie fuzzy
• Clustering K-means
• Clustering gerarchico
• Analisi delle componenti principali
• Minimi quadrati parziali

Spesso si utilizza anche il machine learning con approccio misto, chiamato apprendimento semi-supervisionato, dove solo una parte dei dati viene etichettata. Nell'apprendimento semi-supervisionato, l'algoritmo deve capire come organizzare e strutturare i dati per ottenere un risultato noto. Ad esempio, al modello di machine learning viene detto che il risultato finale è una mela, ma solo alcuni dati di addestramento sono etichettati come mela.

L'apprendimento per rinforzo è un modello di machine learning che può essere descritto come un modello di "apprendimento tramite pratica" attraverso una serie di prove con potenziali errori. Un "agente" impara a eseguire un'attività definita attraverso un ciclo di feedback fino a quando le sue prestazioni rientrano in un intervallo desiderabile. L'agente riceve un premio quando esegue correttamente l'attività e una penalità quando le prestazioni sono inadeguate. Un esempio di apprendimento per rinforzo è quando i ricercatori Google hanno insegnato a un algoritmo di apprendimento per rinforzo a giocare a Go. Il modello di machine learning non aveva alcuna conoscenza precedente delle regole di Go e semplicemente spostava i pezzi a caso e "imparava" i migliori risultati man mano che l'algoritmo veniva addestrato, fino ad arrivare al punto di riuscire a sconfiggere un giocatore umano.

L'intelligenza artificiale (AI) è un settore scientifico che riguarda la creazione di computer e macchine in grado di ragionare, imparare e agire in un modo che normalmente richiede l'intelligenza umana o prevede l'analisi di dati la cui scala supera ciò che l'uomo è in grado di analizzare. L'AI è un vasto campo che comprende molte discipline, tra cui l'informatica, i dati e l'analisi, l'ingegneria del software e persino la filosofia. 

A livello aziendale, l'AI è un insieme di tecnologie con molti casi d'uso, tra cui analisi dei dati, previsioni e stime, elaborazione del linguaggio naturale, suggerimenti, automazione informatica, recupero intelligente dei dati e altro ancora.

Intelligenza artificiale, machine learning e deep learning sono spesso utilizzati come sinonimi per parlare di tutto ciò che riguarda l'AI. Sebbene i termini siano correlati, non sono intercambiabili. 

Mentre l'AI è un campo ampio, il machine learning è un'applicazione dell'AI che consente alle macchine di apprendere senza essere programmate in modo specifico. Il machine learning è più esplicitamente utilizzato come mezzo per estrarre conoscenza dai dati attraverso metodi più semplici come gli alberi decisionali o la regressione lineare, mentre il deep learning utilizza i metodi più avanzati presenti nelle reti neurali artificiali.

Il deep learning richiede un minore intervento umano, poiché le caratteristiche di un set di dati vengono estratte automaticamente rispetto a tecniche di machine learning più semplici che spesso richiedono a un tecnico di identificare manualmente caratteristiche e classificatori dei dati e regolare l'algoritmo di conseguenza. In sostanza, il deep learning può apprendere dai propri errori, mentre il machine learning ha bisogno di un intervento umano.

Il deep learning richiede inoltre molti più dati rispetto al machine learning, cosa che a sua volta richiede una potenza di calcolo notevolmente maggiore. Il machine learning solitamente può essere eseguito con server che eseguono CPU, mentre il deep learning spesso richiede chip più robusti come le GPU.