Il Feature Learning o Representation Learning è una via di mezzo tra le tecniche tradizionali di machine learning con la teoria alla base del Deep Learning, ovvero sfruttare tecniche di apprendimento non supervisionato per ridurre la dimensione del problema, conservando il più possibile l'informazione, per poi utilizzare questi dati estratti (lo spazio degli ingressi viene trasformato nello spazio delle caratteristiche, di dimensione inferiore solitamente) per classificare, in maniera supervisionata, sfruttando le tecniche di machine learning classiche.
Le prestazioni di un algoritmo di machine learning sono estremamente dipendenti dalla scelta della rappresentazione dei dati in ingresso (feature). I maggiori sforzi per ottenere un algoritmo di machine learning migliore vengono concentrati nel disegnare una catena di trasformazioni dei dati in ingresso in un formato con il quale l'algoritmo di classificazione riesce a massimizzare le prestazioni.
Varie tecniche di apprendimento non supervisionato, alcune già viste in precedenza e altre che si vedranno nelle prossime sezioni, sono
- Segmentazione K-means
- Rete di Hopfield
- Sparse Coding
- Principal Component Analysis (PCA sezione 2.10.1)
- Restricted Boltzmann Machines (RBM sezione 4.8.2)
- AutoEncoder (sezione 4.8.3)
Tali tecniche permettono di ridurre la dimensione del problema cercando di conservare l'informazione massima ovvero preservare quelle informazioni dei dati di addestramento che maggiormente permettono di descrivere i campioni.
Paolo medici
2025-03-12
