Dalle reti convoluzionali alle strutture capsulari

 

Daniele D’Armiento – Physicist presso Samsung

Matteo Alberti – Università Milano-Bicocca

 

“Analisi di una rete neurale capsulare nella Computer Vision”
L’attuale stato dell’arte per la classificazione d’immagini, introdotte nell’ottobre 2017, sta aprendo nuove strade inesplorate nel mondo del Deep Learning non più basate sull’ormai comune prassi di aumentare la profondità della rete o aumentare i dati a nostra disposizione per raggiungere performance migliori ma contrariamente su una struttura capsulare ed un processo definito “routing-by-agreement” in grado di superare la perdita delle informazioni spaziali delle reti convoluzionali ed al tempo stesso di ottenere simil-analoghe performance con una quantità di dati inferiore.

 

 

Deep Learning & Alpha Go Zero – Maurizio Parton

 

Maurizio Parton – Professore associato – Dipartimento di Economia – Università di Chieti – Pescara “G. d’Annunzio”
“Deep Learning e AlphaGo”
In questo intervento parlerò del successo del Deep Learning nell’affrontare l’ultimo baluardo dei giochi combinatori, il Go. Dopo aver descritto perché il Go è stato fino al 2016 impossibile da affrontare per i computer, parlerò di AlphaGo – il software che ha conquistato il Go -, della rete neurale alla base del successo di AlphaGo, e delle sue evoluzioni in AlphaGo Zero e AlphaZero, i software che hanno superato AlphaGo grazie al *non*-aiuto umano 🙂

 

 

Introduzione divulgativa alle Reti Neurali e al Deep Learning

 

Francesco Pugliese : Ricercatore ISTAT

Abstract: Descrizione introduttiva del modello del neurone artificiale e confronto con il neurone biologico, la storia delle reti neurali e come si è arrivati oggi al Deep Learning, detrattori vs sostenitori delle reti neurali e vittoria dei sostenitori (Hinton, LeCunn, Benjo). I successi del Deep Learning e la disfatta del Machine Learning tradizionale di oggi in settori come Computer Vision, Natural Language Processing e Giochi (GO, Chess, ecc.). Alcuni esempi tecnici concreti.