WEBVTT

00:00:04.880 --> 00:00:08.840
In pochi strati, i dati possono diventare incredibilmente potenti.

00:00:09.060 --> 00:00:13.360
Le macchine di Boltzmann ristrette, RBM, sono un tipo di rete neurale che può imparare

00:00:13.360 --> 00:00:15.120
in modo efficiente a rappresentare i dati.

00:00:15.320 --> 00:00:20.040
Con due strati, visibile e nascosto, le RBM utilizzano metodi spostici per scoprire le

00:00:20.040 --> 00:00:21.500
caratteristiche all'interno dei dati.

00:00:21.760 --> 00:00:25.680
Sono costituite da unità binarie e utilizzano la divergenza contrastiva per l'addestramento,

00:00:25.960 --> 00:00:28.780
il che le rende piuttosto efficaci nell'apprendimento non supervisionato.

00:00:29.180 --> 00:00:33.620
Possono gestire vasti set di dati, migliorando attività come la riduzione della dimensionalità

00:00:33.620 --> 00:00:35.040
e il filtraggio collaborativo.

00:00:35.380 --> 00:00:40.340
Una statistica interessante è che le RBM possono rappresentare una distribuzione di probabilità

00:00:40.340 --> 00:00:44.520
sulle variabili di input, il che le rende versatili in applicazioni come il riconoscimento

00:00:44.520 --> 00:00:45.560
di immagini e vocale.

00:00:45.880 --> 00:00:48.160
Ora, analizziamolo un po', più nel dettaglio.

00:00:48.400 --> 00:00:50.560
Immagina di avere un set di dati pieno di immagini.

00:00:50.740 --> 00:00:55.080
Le RBM possono guardare ogni pixel e iniziare a identificare modelli senza etichette.

00:00:55.640 --> 00:00:57.260
Funzionano in due strati primari.

00:00:57.480 --> 00:01:02.480
Lo strato visibile, che interagisce con i dati di input e lo strato nascosto in cui avviene

00:01:02.480 --> 00:01:03.020
la magia.

00:01:03.020 --> 00:01:07.140
Questi strati lavorano insieme per apprendere la struttura sottostante dei dati.

00:01:07.500 --> 00:01:11.720
Il processo di addestramento coinvolge qualcosa chiamato divergenza contrastiva.

00:01:12.200 --> 00:01:17.160
Sembra complesso, ma pensalo come un modo per mettere a punto la rete confrontando i dati

00:01:17.160 --> 00:01:19.500
di input con i dati di output che genera.

00:01:19.700 --> 00:01:24.240
L'obiettivo è ridurre al minimo la differenza, rendendo gradualmente l'RBM più accurato

00:01:24.240 --> 00:01:25.780
nella rappresentazione dei dati.

00:01:26.040 --> 00:01:30.580
Una delle caratteristiche più interessanti degli RBM è la loro capacità di eseguire la riduzione

00:01:30.580 --> 00:01:31.420
della dimensionalità.

00:01:31.420 --> 00:01:35.760
Ciò significa che possono prendere dati ad alta dimensionalità e comprimerli in una

00:01:35.760 --> 00:01:39.100
dimensione più gestibile senza perdere informazioni importanti.

00:01:39.280 --> 00:01:41.180
È come preparare una valigia in modo efficiente.

00:01:41.320 --> 00:01:42.920
Tutto ciò di cui hai bisogno ma meno ingombrante.

00:01:43.340 --> 00:01:47.000
In termini pratici, gli RBM sono stati utilizzati in varie applicazioni.

00:01:47.220 --> 00:01:51.840
Ad esempio, nel filtraggio collaborativo, aiutano a consigliare prodotti identificando somiglianze

00:01:51.840 --> 00:01:53.560
nascoste tra le preferenze degli utenti.

00:01:53.560 --> 00:01:57.580
Nel riconoscimento delle immagini, possono rilevare caratteristiche come bordi e texture,

00:01:57.860 --> 00:01:59.760
formando i mattoni per attività più complesse.

00:02:00.680 --> 00:02:04.260
Quindi, se sei un appassionato di tecnologia che desidera approfondire l'apprendimento automatico,

00:02:04.400 --> 00:02:06.480
gli RBM meritano sicuramente di essere esplorati.

00:02:06.660 --> 00:02:10.100
Offrono uno sguardo affascinante su come le macchine possono imparare e dare un senso

00:02:10.100 --> 00:02:11.020
al mondo che le circonda.

00:02:11.600 --> 00:02:12.080
Immergiti.

00:02:12.540 --> 00:02:15.740
Sperimenta e scopri tu stesso la potenza degli RBM.