Marcello Politi : 14 Luglio 2023 10:32
Nel mondo dell’intelligenza artificiale sentiamo spesso parlare di due termini, Machine Learning (ML) e Deep Learning (DL). Sono entrambi metodi per implementare l’AI attraverso l’addestramento o training di algoritmi di apprendimento automatico, che verrano poi utilizzati per fare predizioni sul futuro e prendere decisioni.
Queste due materie utilizzano approcci e hanno capacità e caratteristiche differenti. In questo articolo andremo ad esplorare le differenze tra i due e capire meglio come funzionano.
Il Machine Learning è la materia che si occupa della progettazione di algoritmi capaci di fare predizioni imparando pattern di dati passati. Un algoritmo di Machine Learning si differenzia da un “classico” algoritmo di informatica propri per come viene strutturato il problema.
Sponsorizza la prossima Red Hot Cyber Conference!Il giorno Lunedì 18 maggio e martedì 19 maggio 2026 9 maggio 2026, presso il teatro Italia di Roma (a due passi dalla stazione termini e dalla metro B di Piazza Bologna), si terrà la V edizione della la RHC Conference. Si tratta dell’appuntamento annuale gratuito, creato dalla community di RHC, per far accrescere l’interesse verso le tecnologie digitali, l’innovazione digitale e la consapevolezza del rischio informatico. Se sei interessato a sponsorizzare l'evento e a rendere la tua azienda protagonista del più grande evento della Cybersecurity Italiana, non perdere questa opportunità. E ricorda che assieme alla sponsorizzazione della conferenza, incluso nel prezzo, avrai un pacchetto di Branding sul sito di Red Hot Cyber composto da Banner più un numero di articoli che saranno ospitati all'interno del nostro portale. Quindi cosa stai aspettando? Scrivici subito a [email protected] per maggiori informazioni e per accedere al programma sponsor e al media Kit di Red Hot Cyber. ![]()
Se ti piacciono le novità e gli articoli riportati su di Red Hot Cyber, iscriviti immediatamente alla newsletter settimanale per non perdere nessun articolo. La newsletter generalmente viene inviata ai nostri lettori ad inizio settimana, indicativamente di lunedì. |
In un algoritmo classico noi diamo alla macchina delle regole che questa deve seguire passo passo, per trasformare l’input in un output. Ad esempio un input potrebbe essere una lista di numeri [1, 2, 3, 4, 5], la regola potrebbe essere: “trasforma ogni numero nel suo quadrato”, quindi f(x) = x^2.
Una volta fornite queste regole e questo input, l’algoritmo sarebbe in grado di restituirci il seguente output: [1, 4, 9, 16, 25].
In un algorimto di Machine Learning invece il problema viene stravolto.
Quello che noi forniamo alla macchina è l’input e l’output atteso, quindi [1, 2, 3, 4, 5] e [1, 4, 9, 16, 25], e l’algoritmo ci restituirà in output la regola che mette in relazione questi valori, quindi f(x) = x^2.
In questo modo a noi non resta che preoccuparci principalmente di raccogliere delle osservazioni (dati) e darli in pasto all’algoritmo che troverà la relazione che regola le nostre osservazioni e che potrà essere usata per fare predizioni future.
Il tipo di algoritmo di Machine Learning appena descritto in realtà rientra nella categoria degli algoritmi definiti come Supervised Learning.
Esistono fondamentalmente 3 categorie differenti che sono le seguenti:
Esistono molti algoritmi di Machine Learning, ed è compito del data scientist capire quale usare e in quale occasione. Un algoritmo in particolare, chiamato Rete Neurale Artificiale, ha aperto numerose nuove possibiltà e gli scienziati dell’AI hanno iniziato a focalizzarsi sullo studio di questo singolo algoritmo, ed è cosi nata una nuova materia di studio chiamata Deep Learning.
Il Deep Learning è un sottoinsieme del Machine Learning, infatti si focalizza solamente sull’uso delle Reti Neurali Artificiali che sono in grado di imparare pattern nascosti all’interno dei dati.
La Rete Neurale Artificiale (ANN) è ispirata a quella biologica.
L’elemento di base di una rete neurale biologica è il singolo neurone, mentre in quella artificiale troviamo il percettrone. Il neurone percepisce attraverso i dendriti delle scariche elettrice in input che vengono processate dal nucleo, e se la somma di queste scariche supera una certa soglia verrà prodotta una scarica elettrica in output attraverso l’assone.
In modo simile il percettrone riceve in input dei numeri, esegue una computazione di questi numeri e produce un numero in output, 0 o 1. Ad esempio i numeri in input potrebbero rappresentare il valore dei pixel in un’ immagine in bianco e nero, e noi vorremmo che l’output sia 1 se l’immagine rappresenta un cane e zero altrimenti.
Il percettrone però è un algoritmo troppo semplice e ha poca capacità di apprendimento.
Quindi possiamo creare un algoritmo più complesso strutturando tanti percettroni (o neuroni) in layer in cui l’output dei neuroni nei layer precedenti saranno l’input per i layer successivi.
I layer in questa immagine sono solamente quattro. Abbiamo il primo input layer, seguito da due hidden layer e infine un output layer composto da un singolo neurone. Il numero di hidden layer è arbitrario e spesso le reti possono essere molto profonde, è per questo che si usa il termine deep.
Le reti neurali non si differenziano tra loro solo per il numero di neuroni o layer, ma anche per il tipo di computazione che questi layer e neuroni eseguono. Esistono vari tipi di reti neurali, come ad esempio le Reti Neurali Convoluzionali (CNN) adatte a task visuali, o le Reti Neurali Ricorrenti (RNN) per taks in cui si elaborano dati sequenziali come le serie storiche o il linguaggio naturale.
Ora che abbiamo visto gli aspetti principali del Machine Learning e del Deep Learning, andiamo a vedere quali sono le differenze tra i due e in quali casi bisogna prediligere uno a discapito dell’altro.
Il Machine Learning e il Deep Learning sono due approcci del campo dell’AI. Hanno entrambi punti di forza e di debolezza, e la scelta dipende dal problema da affrontare, dalla disponibilità di dati e dalla complessità del compito.
Comprendere le differenze tra queste due tecniche è fondamentale per i professionisti e i ricercatori nel campo dell’intelligenza artificiale per scegliere l’approccio più appropriato per i loro casi d’uso specifici.
Non brilliamo molto nella sicurezza informatica, ma sugli Spyware siamo tra i primi della classe! Secondo una ricerca dell’Atlantic Council, il settore dello spyware è in piena espansione, poiché ...
Gli utenti di Windows 11 che hanno installato l’aggiornamento di settembre 2025 potrebbero pensare che non cambi praticamente nulla. A prima vista, KB5065426 sembra una normale piccola patch che Mic...
Un nuovo strumento chiamato SpamGPT è apparso sui forum underground ed è rapidamente diventato oggetto di discussione nel campo della sicurezza informatica. Il software malevolo combina le capacità...
Nella giornata di oggi, la nuova cyber-gang “The Gentlemen” rivendica all’interno del proprio Data Leak Site (DLS) al laboratorio Santa Rita. Disclaimer: Questo rapporto include screenshot e/o t...
SAP ha reso disponibili degli aggiornamenti per la sicurezza Martedì, con l’obiettivo di risolvere varie vulnerabilità. Tra queste vulnerabilità, ve ne sono tre particolarmente critiche che si ve...