quoto, l'esempio iniziale del cerchio credo sia semplicissimo "per noi" ma non banale senza vedere veramente il cerchio per chi si approccia la prima volta al discorso
Grazie dell'osservazione. Ovviamente sono d'accordo, ma la preparazione di slide ragionevoli e comprensibili non è un impegno di tempo banale. Ci proveremo più avanti per fare video più corti e didattici su argomenti specifici, per il momento queste sono proprio "chiacchierate" nel vero senso della parola. :)
@@ildino2538 Grazie del suggerimento, questa è una cosa che faccio ogni tanto nella rubrica di Enigma. il problema per questa puntata era puramente di contingenza (non ero a casa mia dove ho il setup appropriato con una seconda webcam puntata sul tavolo).
@@lucamariot5689 se posso vorrei chiederti una opinione. Prendendo come esempio quello citato da voi, il tumore al pancreas o la guida autonoma. Ha senso provare a sviluppare tecniche di ANN per queste cose quando non esiste un grado di confidenza alto abbastanza ma si pretende la perfezione? Nel senso, queste applicazioni non dovrebbero tornare ad uno sviluppo dell AI basato su algoritmi piuttosto che usare il deep learning? L output di una ANN sarà sempre soggetto ad un errore statistico (anche minimo) e totalmente stocastico. Nel senso che potrei allenare una rete neurale all infinito, ma ogni volta che gli chiederò una predizione reale dovrò sempre verificarla per essere sicuro che non sia il numero ritardatario del lotto... Voi che ne pensate da un punto di vista puramente logico? Certo se utilizzo l'AI per suggerirmi dei titoli per il mio prossimo articolo allora le ANN sono il migliore tirocinante possibile...
@@alkascoli Ovviamente dipende dall'applicazione specifica. Nel caso della diagnosi medica (così come di qualsiasi altra applicazione di identificazione/rilevamento, prendi l'esempio della sorveglianza), falsi positivi e falsi negativi sono inevitabili, indipendentemente che si utilizzi un'ANN o altri metodi. Semplicemente, ci sono errori di misura e di osservazione intrinseci. Per esempio, nel caso dei tumori dopo un esame positivo si fanno sempre altri accertamenti. Questa è una conseguenza della regola di Bayes: dato che la popolazione è per la stragrande maggioranza dei casi sana (per fortuna!), al primo colpo un esame che identifica qualcosa di sospetto è più probabile che sia un falso positivo. Questo per dire che la perfezione è un ideale astratto non raggiungibile nel mondo reale. Così, in fase di progettazione bisogna sempre fare dei trade-off prima sulla soglia di errori tollerabili. Se deve essere più bassa di quello che è permesso dallo stato dell'arte delle ANN, allora si usa qualcos'altro, molto pragmaticamente.
bel contenuto, approfondite con altri, sarebbe interessante anche rivolto al mondo del lavoro relativamente a quali linguaggi di programmazione si usano, usi commerciali pratici attuali ed attesi, quali posizioni lavorative esistono e cosa fanno... insomma keep going!
È estremamente affascinante pensare che dallo studio neuronale come unità trofica indipendente ( con il suo potenziale d'azione detto '' spike '' , i suoi canali ionici , lo scambio sodio-potassio che ne regola la fase eccitatoria ed inibitoria e quant'altro ) le machine learning abbiano attinto a piene mani modellizando queste tipologie d'apprendimento...
è una domanda un po' troppo generica, messa in questi termini. Esistono modelli di AI che possono essere agevolmente eseguiti anche su macchine del tutto modeste e a portata dell'utente medio. Il discrimine principale riguarda ovviamente la dimensione del dataset di addestramento, e di conseguenza la dimensione del modello (in termine di numeri di parametri) usato su di esso. Nei prossimi video, metteremo a disposizione anche del codice demo molto semplice che potrebbe servire a dare un'idea più precisa in tal senso.
Luca ti consiglio di interrompere solo se strettamente necessario a chiarire un concetto. Per chiose e commenti meglio attendere la fine di una parte e mettersi d’accordo con Fabio che ti passi la parola.
Grande puntata è sempre un piacere ascoltare F.Stefanini, complimenti
Bello, se posso dare un consiglio questi argomenti risultano difficili da seguire senza slides
quoto, l'esempio iniziale del cerchio credo sia semplicissimo "per noi" ma non banale senza vedere veramente il cerchio per chi si approccia la prima volta al discorso
Grazie dell'osservazione. Ovviamente sono d'accordo, ma la preparazione di slide ragionevoli e comprensibili non è un impegno di tempo banale. Ci proveremo più avanti per fare video più corti e didattici su argomenti specifici, per il momento queste sono proprio "chiacchierate" nel vero senso della parola. :)
@@lucamariot5689forse sarebbe sufficiente avere un foglio di carta e una penna dove potete chiarire con un rapido disegno o un schema
@@ildino2538 Grazie del suggerimento, questa è una cosa che faccio ogni tanto nella rubrica di Enigma. il problema per questa puntata era puramente di contingenza (non ero a casa mia dove ho il setup appropriato con una seconda webcam puntata sul tavolo).
Livello altissimo, complimenti!
Grazie! 😄
Bravissimi! Spero ci saranno altre puntate con altri concetti di AI!
Video davvero bellissimo! Bravissimi🎉
Grazie! :)
@@lucamariot5689 se posso vorrei chiederti una opinione. Prendendo come esempio quello citato da voi, il tumore al pancreas o la guida autonoma. Ha senso provare a sviluppare tecniche di ANN per queste cose quando non esiste un grado di confidenza alto abbastanza ma si pretende la perfezione? Nel senso, queste applicazioni non dovrebbero tornare ad uno sviluppo dell AI basato su algoritmi piuttosto che usare il deep learning? L output di una ANN sarà sempre soggetto ad un errore statistico (anche minimo) e totalmente stocastico. Nel senso che potrei allenare una rete neurale all infinito, ma ogni volta che gli chiederò una predizione reale dovrò sempre verificarla per essere sicuro che non sia il numero ritardatario del lotto... Voi che ne pensate da un punto di vista puramente logico? Certo se utilizzo l'AI per suggerirmi dei titoli per il mio prossimo articolo allora le ANN sono il migliore tirocinante possibile...
@@alkascoli Ovviamente dipende dall'applicazione specifica. Nel caso della diagnosi medica (così come di qualsiasi altra applicazione di identificazione/rilevamento, prendi l'esempio della sorveglianza), falsi positivi e falsi negativi sono inevitabili, indipendentemente che si utilizzi un'ANN o altri metodi. Semplicemente, ci sono errori di misura e di osservazione intrinseci. Per esempio, nel caso dei tumori dopo un esame positivo si fanno sempre altri accertamenti. Questa è una conseguenza della regola di Bayes: dato che la popolazione è per la stragrande maggioranza dei casi sana (per fortuna!), al primo colpo un esame che identifica qualcosa di sospetto è più probabile che sia un falso positivo. Questo per dire che la perfezione è un ideale astratto non raggiungibile nel mondo reale. Così, in fase di progettazione bisogna sempre fare dei trade-off prima sulla soglia di errori tollerabili. Se deve essere più bassa di quello che è permesso dallo stato dell'arte delle ANN, allora si usa qualcos'altro, molto pragmaticamente.
bel contenuto, approfondite con altri, sarebbe interessante anche rivolto al mondo del lavoro relativamente a quali linguaggi di programmazione si usano, usi commerciali pratici attuali ed attesi, quali posizioni lavorative esistono e cosa fanno... insomma keep going!
È estremamente affascinante pensare che dallo studio neuronale come unità trofica indipendente ( con il suo potenziale d'azione detto '' spike '' , i suoi canali ionici , lo scambio sodio-potassio che ne regola la fase eccitatoria ed inibitoria e quant'altro ) le machine learning abbiano attinto a piene mani modellizando queste tipologie d'apprendimento...
Da machine learning engineer mi piacerebbe qualche volta partecipare a questi video
Contattaci! Sul sito di Liberi Oltre, nella sezione contatti, puoi compilare un form per candidarti a collaborare con noi.
Like ❤
Mi potete dire con quanti giga di ram dovrebbe avere un pc per lavorare da smanettoni con l'intelligenza artificiale ?
è una domanda un po' troppo generica, messa in questi termini. Esistono modelli di AI che possono essere agevolmente eseguiti anche su macchine del tutto modeste e a portata dell'utente medio. Il discrimine principale riguarda ovviamente la dimensione del dataset di addestramento, e di conseguenza la dimensione del modello (in termine di numeri di parametri) usato su di esso. Nei prossimi video, metteremo a disposizione anche del codice demo molto semplice che potrebbe servire a dare un'idea più precisa in tal senso.
Luca ti consiglio di interrompere solo se strettamente necessario a chiarire un concetto. Per chiose e commenti meglio attendere la fine di una parte e mettersi d’accordo con Fabio che ti passi la parola.
Grazie del commento. è già passato troppo tempo da questo video per ricordarmi il caso specifico, ma ne terrò conto in futuro.
Mio commento tattico
Mio commento tattico