Quali sono le differenze tra Deep Learning, Machine Learning, AI. Che cos'è una Rete Neurale. Un'esplorazione sull'arte e l'intelligenza artificiale. Nel documento vengono presentati alcuni tra i più significativi progetti in ambito AI.
2. New Media Artist
Artificial Intelligence
Data sculpture
Datadata, Databending, Dataoulipo
EM Datascape, Hertzian scape
AntiGPS
Architectural mapping
Glitch art
EM injections
Creative Technologist
Interaction Design
Artificial Intelligence in Art
Installation Design
Responsive Environment Design
Cross Media Design
Media on Architecture and Public Space
Data Visualization
Computational Design
7. I meccanismi più effimeri
su cui non val la pena di soffermarsi,
i gesti, i pensieri più elementari
che trascuriamo salvo a "tempo perso"
possono rappresentare
la parte che val la pena
di essere accorta.
Ci sono dei circuiti mai esistiti
che posso reinventare a piacere.
–Alighero e Boetti
8. "Una macchina non potrà mai:
essere gentile, intraprendente,
bella, amichevole, avere iniziativa,
avere un senso dell'umorismo,
distinguere il bene dal male, fare errori,
innamorarsi, gustare fragole e panna,
far innamorare qualcuno,
imparare dall'esperienza,
usare le parole correttamente,
essere il soggetto del proprio pensiero,
avere tanta diversità di comportamento come l’uomo,
fare qualcosa di veramente nuovo. "
Alan Turing (1950)
9. Machine Learning
è la branca dell'intelligenza
artificiale che studia gli
algoritmi di apprendimento
automatico di una macchina.
Comprende varie tecniche, casi
e approcci.
Deep Learning
( approfondimento profondo o
approfondito ) è un caso
particolare del machine
learning che si basa
sull'utilizzo delle reti
neurali artificiali ( neural
network ) con due o più strati
( hidden layers ) per
elaborare le informazioni in
modo non lineare.
AI
L'intelligenza artificiale
(AI) include il machine
learning (ML) e molto altro
ancora ( sistemi esperti,
teoria dei segnali, ricerca
operativa, logica, ontologie,
ecc. ). A sua volta il machine
learning (ML) include il deep
learning (DL) ma anche altre t
16. BIG DATA
Data Mining
Hardware (GPU)
Apprendimento
1 Supervisionato
(Alberi decisionali, reti
neurali, SVM)
2 Non supervisionato
Clustering, regole di
associazione
3 Con rinforzo
Reward Maximization
RETI NEURALI
Input Pesi Output
Input (dataset)
Modello/ Test Set
Deep Learning
17. Tipi di Apprendimento
1 Supervisionato
(Alberi decisionali, reti neurali, SVM)
2 Non supervisionato
Clustering, regole di associazione
3 Con rinforzo
Reward Maximization
20. Esempio di Haiku ‘automatico’
Prendiamo
il sentiero paludoso
per arrivare alle nuvole.
Matsuo Basho
(1644 – 1694)
Fine caduta magica
Prendi un sentiero
stretto e paludoso
godendo le nuvole.
L'ultima caduta magica
Prendi un sentiero stretto
e paludoso
mentre guardi le nuvole.
21. Test di Turing poetico 1
Si sveglia
e sbadiglia, il gatto;
poi, l’amore.
Mattino splendente,
l'amore sbadiglia
mentre guardo il gatto.
22. Test di Turing poetico 1
Si sveglia
e sbadiglia, il gatto;
poi, l’amore.
Kobayashi Issa
(1763-1827)
Mattino splendente,
l'amore sbadiglia
mentre guardo il gatto.
23. Test di Turing poetico 2
Follia del giorno
Un granello di polvere bianca
disturba un crisantemo.
Non un grano di polvere
a turbare il chiarore
del crisantemo bianco.
24. Test di Turing poetico 2
Follia del giorno
Un granello di polvere bianca
disturba un crisantemo.
Non un grano di polvere
a turbare il chiarore
del crisantemo bianco.
Matsuo Basho
(1644 – 1694)
25. Test di Turing poetico 3
La campana del tempio tace,
ma il suono continua
ad uscire dai fiori.
Campana del tempio silenziosa
Un suono caldo continua,
sotto i fiori.
26. Test di Turing poetico 3
La campana del tempio tace,
ma il suono continua
ad uscire dai fiori.
Campana del tempio silenziosa
Un suono caldo continua,
sotto i fiori.
Matsuo Basho
(1644 – 1694)
27.
28. from keras.utils.data_utils import get_file
fulltext_path = get_file('delillo.txt',
origin='http://www.riccardomantelli.co.uk/delillo.txt')
textgen.reset()
textgen.train_from_largetext_file(fulltext_path, new_model=True,
num_epochs=1)
Training new model w/ 2-layer, 128-cell LSTMs
Training on 651,877 character sequences.
WARNING:tensorflow:From
- ma che cosa? che cosa?
- sì.
- lo so che cosa?
- non voglio niente.
- non c'è qualcosa di.
- e tu hai detto.
- ma tu è che non ci
cosa?
- non c'è qualcosa : - continuò.
- per il senso di cui non c'è?
- non sono soltanto ancora più, - chiesi.
- credi che cosa?
- è la morte.
-
- lo sai, - disse babette.
- perché gli?
- sono bene, - concluse. - ti c'è qualcosa che si
va?
- che cosa? - chiese babette.
- e così?
- non c'è
https://colab.rese
arch.google.com/dr
ive/1_6SFoTE0OKLtR
ukYxGH9fnAkPhq9Pxo
e?hl=en
https://tinyurl.com/y494srja