Deep learning: cos’è, come funziona, esempi e differenze con il machine learning

Deep learning significa “apprendimento profondo” ed è una famiglia di tecniche di machine learning basate su reti neurali con molteplici livelli di elaborazione. La caratteristica più importante non è semplicemente avere una rete “grande”: è la capacità del modello di apprendere rappresentazioni progressivamente più utili dei dati, invece di dipendere soltanto da caratteristiche progettate manualmente.

È uno dei motivi per cui il deep learning funziona particolarmente bene con immagini, testo, audio, video e altri dati complessi. Molte tecnologie che oggi associamo all’intelligenza artificiale — dal riconoscimento delle immagini ai modelli linguistici e ai sistemi generativi — utilizzano proprio reti neurali profonde.

Deep learning, machine learning e intelligenza artificiale non sono però sinonimi. Il modo più semplice per orientarsi è questo:

Intelligenza artificiale → Machine learning → Deep learning

Il deep learning è quindi una parte del machine learning, che a sua volta rappresenta solo una parte del campo più ampio dell’intelligenza artificiale.

In questa guida vedremo cosa rende realmente “profondo” un modello, come avviene l’addestramento, perché training e inferenza sono due fasi diverse, quali architetture vengono utilizzate e soprattutto quando il deep learning è una buona scelta e quando un modello più semplice può essere migliore.

Cos’è il deep learning e cosa significa “apprendimento profondo”

Il termine deep learning, traducibile in italiano come apprendimento profondo, indica una famiglia di metodi di machine learning che utilizza reti neurali organizzate in molteplici livelli di trasformazione.

Una delle definizioni scientifiche più influenti è quella proposta da Yann LeCun, Yoshua Bengio e Geoffrey Hinton nella loro review sul deep learning pubblicata su Nature: questi modelli possono apprendere rappresentazioni dei dati articolate su diversi livelli di astrazione.

Questo punto è fondamentale.

Immagina un modello che deve riconoscere un’automobile all’interno di una fotografia. L’input iniziale è costituito essenzialmente da valori numerici che descrivono i pixel. Durante l’elaborazione, diversi livelli della rete possono costruire rappresentazioni interne sempre più utili al compito: bordi, texture, forme, parti dell’oggetto e configurazioni più complesse.

Non significa che ogni singolo livello impari necessariamente concetti facilmente interpretabili da una persona. Significa che la rete costruisce trasformazioni intermedie dei dati che aiutano il modello a produrre l’output richiesto.

È questa capacità di representation learning, più della semplice quantità di livelli, a spiegare gran parte del valore del deep learning.

Deep learning, machine learning e intelligenza artificiale: come si collegano

L’intelligenza artificiale è il contenitore più ampio. Comprende approcci molto diversi: sistemi basati su regole, ricerca, pianificazione, machine learning, reti neurali, modelli generativi e combinazioni di più tecniche.

Il machine learning è invece l’area in cui costruiamo modelli capaci di apprendere regolarità dai dati.

Il deep learning è un sottoinsieme di questo campo e utilizza reti neurali profonde come modello computazionale.

Di conseguenza:

tutto il deep learning appartiene al machine learning, ma non tutto il machine learning è deep learning.

Un modello di regressione lineare, un albero decisionale o un algoritmo gradient boosting possono essere machine learning senza utilizzare una rete neurale profonda.

Questa distinzione diventa importante anche nella pratica, perché utilizzare il modello più complesso disponibile non garantisce automaticamente il risultato migliore.

Deep neural network: cosa rende “profonda” una rete neurale

Una rete neurale artificiale è composta da unità matematiche interconnesse organizzate in livelli.

In forma molto semplificata possiamo distinguere:

input → livelli nascosti → output

Ogni connessione è associata a parametri che vengono modificati durante l’addestramento. I livelli nascosti trasformano progressivamente le informazioni ricevute, permettendo alla rete di modellare relazioni non lineari molto complesse.

Quando questi livelli di trasformazione diventano numerosi si parla di deep neural network, cioè rete neurale profonda.

Non esiste però un numero universale di livelli che separi in qualsiasi contesto una rete “normale” da una rete “deep”. La parola deep descrive soprattutto l’idea di una composizione gerarchica di molte trasformazioni apprese.

Ed è proprio questa profondità computazionale che permette di costruire rappresentazioni interne sofisticate.

Come funziona il deep learning: dal training all’inferenza

Il funzionamento del deep learning diventa molto più comprensibile se separiamo due momenti che spesso vengono confusi:

training → costruzione dei parametri del modello

inferenza → utilizzo dei parametri già appresi

Durante il training la rete modifica i propri parametri per migliorare rispetto all’obiettivo assegnato. Durante l’inferenza utilizza invece quei parametri per elaborare nuovi input.

Usare un modello non significa quindi, di per sé, continuare ad addestrarlo.

Dati, livelli, pesi e funzioni di attivazione

Consideriamo una rete che deve classificare immagini.

Il livello di input riceve una rappresentazione numerica dell’immagine. I dati attraversano quindi una serie di livelli nei quali vengono applicate operazioni matematiche.

In una rete neurale classica, ogni unità combina diversi input attraverso dei pesi, aggiunge eventualmente un bias e applica una funzione di attivazione.

I pesi determinano quanto un determinato segnale influenza il risultato della trasformazione.

La funzione di attivazione introduce invece non linearità. Senza questo elemento, anche una rete composta da molti livelli avrebbe capacità di rappresentazione molto più limitate.

I valori prodotti vengono propagati da un livello al successivo fino a ottenere l’output.

Nel caso di un classificatore, l’output potrebbe indicare quanto il modello ritiene probabile che l’immagine appartenga a determinate categorie.

Forward pass, funzione di perdita, backpropagation e ottimizzazione

Durante il training avviene prima di tutto una forward pass, cioè una propagazione in avanti.

Possiamo schematizzarla così:

input → trasformazioni interne → previsione

La previsione viene poi confrontata con il risultato atteso attraverso una funzione di perdita, o loss function.

La perdita misura quanto l’output prodotto sia distante dall’obiettivo definito per l’addestramento.

A questo punto entra in gioco la backpropagation, o retropropagazione dell’errore.

La documentazione di Google sul training delle reti neurali la descrive come il meccanismo che rende possibile utilizzare la discesa del gradiente nelle reti multilivello: attraverso i gradienti possiamo determinare come modificare i parametri affinché la perdita diminuisca.

Il ciclo concettuale diventa quindi:

input → previsione → perdita → gradienti → aggiornamento dei parametri → nuova previsione

L’operazione viene ripetuta attraverso molti esempi e iterazioni.

Questo non significa che il modello “capisca” l’errore come farebbe una persona. Sta ottimizzando numericamente i propri parametri rispetto a un determinato obiettivo.

Training e inferenza: perché il modello non impara automaticamente mentre lo usi

Una volta completato l’addestramento, il modello può essere utilizzato per l’inferenza.

Supponiamo che la nostra rete sia stata addestrata per distinguere fotografie di cani e gatti.

Durante il training utilizziamo dati, obiettivi, funzione di perdita e ottimizzazione per modificare i parametri.

Durante l’inferenza, invece, mostriamo al modello una nuova fotografia:

nuova immagine → parametri già appresi → output

Normalmente non avviene un nuovo ciclo completo di backpropagation ogni volta che chiediamo una previsione.

Per questo è impreciso dire che un sistema di deep learning “impara continuamente mentre lo usi”.

Esistono tecniche di online learning, fine-tuning continuo e sistemi che raccolgono nuovi dati per successivi aggiornamenti del modello. Sono però strategie specifiche di progettazione e addestramento, non proprietà automatiche del deep learning.

La distinzione è importante anche per capire l’AI generativa: inviare un prompt a un modello già addestrato significa normalmente eseguire inferenza, non modificarne direttamente tutti i parametri.

Perché il deep learning ha avuto successo

Le idee alla base delle reti neurali non sono recenti. Il grande sviluppo del deep learning è stato favorito dalla convergenza di diversi fattori: disponibilità di dati, potenza di calcolo, miglioramenti algoritmici, nuove architetture e tecniche di addestramento più efficaci.

Non esiste quindi una singola invenzione che spieghi da sola l’evoluzione del settore.

Apprendimento delle rappresentazioni: cosa cambia rispetto al feature engineering

Uno dei concetti più importanti è l’apprendimento delle rappresentazioni, o representation learning.

Nei tradizionali workflow di machine learning può essere necessario dedicare molto lavoro alla scelta e costruzione manuale delle caratteristiche utili al modello.

Immagina di voler riconoscere oggetti in fotografie. Potremmo provare a progettare manualmente caratteristiche legate a bordi, forme, texture o altre proprietà dell’immagine.

Una rete profonda può invece apprendere durante l’addestramento molte delle rappresentazioni utili direttamente a partire dai dati.

Questo non elimina il lavoro umano.

Dobbiamo comunque definire il problema, costruire o scegliere il dataset, selezionare l’architettura, impostare l’obiettivo, controllare la qualità dei dati, valutare il modello e decidere come utilizzarne l’output.

La differenza è che una parte importante dell’estrazione delle rappresentazioni può diventare parte del processo di apprendimento stesso.

È una delle ragioni per cui il deep learning è particolarmente efficace con dati ad alta dimensionalità e non strutturati come immagini, testo e audio.

Dati, GPU e algoritmi: cosa ha favorito lo sviluppo del deep learning

Tre condizioni vengono spesso associate alla crescita del deep learning: più dati disponibili, hardware capace di eseguire grandi quantità di calcoli in parallelo e miglioramenti negli algoritmi.

La fotografia completa è però più articolata.

Le GPU hanno reso molto più efficiente l’esecuzione di numerose operazioni matriciali utilizzate dalle reti neurali. Parallelamente sono migliorati metodi di ottimizzazione, inizializzazione, normalizzazione, regolarizzazione e progettazione delle architetture.

La disponibilità di dataset più grandi ha permesso di addestrare modelli con moltissimi parametri, mentre il transfer learning e i modelli pre-addestrati hanno ridotto in diversi scenari la necessità di partire sempre da zero.

La relazione quindi non è:

più dati + più livelli = automaticamente modello migliore

Un dataset rumoroso, poco rappresentativo o non coerente con il problema può produrre un sistema mediocre anche con enormi risorse computazionali.

L’obiettivo non è costruire la rete più grande possibile. È costruire un modello che generalizzi bene sul problema reale.

Deep learning vs machine learning: differenze reali e quando scegliere cosa

Mettere deep learning e machine learning uno contro l’altro è tecnicamente impreciso, perché il primo fa parte del secondo.

Il confronto utile è fra deep learning e approcci di machine learning più tradizionali, come regressioni, alberi decisionali, random forest, gradient boosting o altri modelli specifici.

Aspetto	Machine learning tradizionale	Deep learning
Modelli tipici	regressioni, alberi, ensemble, SVM	reti neurali profonde
Dati	spesso molto efficace sui dati strutturati	particolarmente forte su immagini, testo, audio e dati complessi
Feature	maggiore spazio al feature engineering manuale	molte rappresentazioni possono essere apprese dal modello
Calcolo	spesso più contenuto	training generalmente più costoso
Quantità di dati	può funzionare bene anche con dataset relativamente limitati	il training da zero tende a beneficiare di molti dati; pretraining e transfer learning cambiano il quadro
Interpretabilità	spesso più semplice con determinati modelli	può diventare più difficile comprendere il contributo delle rappresentazioni interne
Tempo di sviluppo	può essere inferiore per problemi semplici o strutturati	può richiedere maggiore sperimentazione e infrastruttura
Problemi complessi	dipende molto dal dominio e dalla rappresentazione dei dati	molto competitivo su input ad alta dimensionalità e pattern complessi

La differenza non deve quindi essere letta come una gerarchia:

machine learning tradizionale < deep learning

La domanda corretta è:

quale modello risolve meglio il problema con i dati, i vincoli e le risorse disponibili?

Dati, feature engineering, calcolo e interpretabilità

Se lavori con immagini, linguaggio naturale o audio, la capacità delle reti profonde di apprendere rappresentazioni complesse può essere decisiva.

Se lavori invece con un dataset tabellare relativamente piccolo, un modello gradient boosting potrebbe essere più semplice da addestrare, più economico e perfettamente competitivo.

Allo stesso modo, un sistema utilizzato in un processo in cui serve spiegare chiaramente il contributo delle singole variabili può privilegiare modelli più facilmente interpretabili.

La scelta dipende quindi da almeno quattro elementi:

tipo di dato → quantità e qualità dei dati → requisiti del risultato → vincoli operativi

Usare una rete profonda soltanto perché è tecnologicamente più sofisticata può aumentare costo e complessità senza creare un vantaggio reale.

Quando il deep learning non è la scelta migliore

Il deep learning ha meno senso quando il problema può essere risolto altrettanto bene con un approccio più semplice.

Può accadere, per esempio, quando il dataset è piccolo e fortemente strutturato, quando il costo computazionale è un vincolo importante o quando l’interpretabilità del modello ha un peso decisivo.

Anche la latenza può contare: un modello enorme non è automaticamente la scelta migliore per un dispositivo con risorse limitate.

Naturalmente esistono tecniche di compressione, quantizzazione, distillazione e architetture progettate proprio per ridurre questi costi. Il punto però non cambia: la complessità deve avere una giustificazione.

Se due modelli raggiungono risultati adeguati e uno dei due è più semplice da addestrare, verificare, distribuire e mantenere, la soluzione più semplice può essere quella tecnicamente migliore.

Quali architetture vengono usate nel deep learning

“Rete neurale profonda” non indica una singola architettura.

Nel tempo sono state sviluppate strutture differenti perché immagini, sequenze, linguaggio, grafi e generazione di contenuti presentano problemi diversi.

Alcune architetture storiche restano importanti, altre vengono utilizzate in contesti più specifici, mentre Transformer e modelli generativi moderni hanno cambiato profondamente il panorama.

Architettura	Idea principale	Applicazioni tipiche
CNN	operazioni convoluzionali e gerarchie spaziali	immagini, visione artificiale
RNN/LSTM/GRU	stato ricorrente per elaborare sequenze	serie temporali, sequenze, NLP storico
Transformer	attention per modellare relazioni tra elementi	linguaggio, immagini, audio, multimodalità
Autoencoder	compressione e ricostruzione di rappresentazioni	riduzione dimensionale, rappresentazioni, anomalie
GAN	competizione fra generatore e discriminatore	generazione sintetica
Diffusion model	generazione attraverso progressiva rimozione del rumore	immagini e altri contenuti generativi

La tabella è una mappa, non una classifica. In un sistema reale possono inoltre essere combinate più architetture.

CNN, RNN e Transformer: perché servono strutture diverse

Le Convolutional Neural Network, o CNN, sono state determinanti per la computer vision. Le convoluzioni permettono di sfruttare la struttura spaziale dell’input e riconoscere pattern locali.

Le Recurrent Neural Network, comprese varianti come LSTM e GRU, sono state progettate per elaborare sequenze mantenendo uno stato che dipende dagli elementi precedenti.

Per molti problemi di elaborazione del linguaggio e delle sequenze, però, il panorama è cambiato con i Transformer.

Il paper Attention Is All You Need introdusse un’architettura costruita intorno al meccanismo di attention senza dipendere dalla ricorrenza utilizzata nei precedenti modelli sequenziali.

Il Transformer è poi diventato una base fondamentale per numerosi modelli linguistici, sistemi multimodali e applicazioni generative.

Questo non significa che CNN e RNN siano “morte”. Significa che la scelta dell’architettura dipende dal problema e che il deep learning moderno non può più essere spiegato soltanto attraverso CNN, RNN e GAN.

Autoencoder, GAN e modelli di diffusione

Gli autoencoder apprendono una rappresentazione interna da cui tentano di ricostruire l’input. Possono essere utilizzati per imparare rappresentazioni compatte, ridurre dimensionalità o supportare attività come anomaly detection.

Le Generative Adversarial Network, o GAN, utilizzano invece due componenti che vengono addestrate in competizione: un generatore produce esempi e un discriminatore prova a distinguere quelli generati dai dati reali.

Le GAN hanno avuto un enorme impatto sulla generazione di immagini, ma oggi non descrivono da sole lo scenario dell’AI generativa visuale.

Un’altra famiglia fondamentale è quella dei diffusion model. Il lavoro Denoising Diffusion Probabilistic Models ha mostrato come sia possibile ottenere generazione di immagini di alta qualità attraverso un processo nel quale il modello impara progressivamente a invertire l’aggiunta di rumore.

Le implementazioni moderne possono essere molto più complesse di questa descrizione, ma il modello mentale è utile: la generazione non avviene attraverso lo stesso meccanismo delle GAN.

Dove si collocano LLM e AI generativa

I Large Language Model moderni sono un importante esempio di deep learning.

La maggior parte dei modelli linguistici contemporanei utilizza architetture basate sui Transformer e viene addestrata su grandi quantità di dati con obiettivi che consentono di apprendere rappresentazioni linguistiche molto ricche.

Un LLM però non è sinonimo di deep learning.

Il deep learning è il campo più ampio. Comprende modelli per immagini, audio, video, serie temporali, robotica, classificazione e numerose altre applicazioni.

Neppure “AI generativa” e deep learning sono sinonimi: generativa descrive ciò che il sistema produce; deep learning descrive una famiglia di tecniche con cui molti di questi sistemi vengono costruiti.

Separare questi livelli evita molta della confusione creata dal linguaggio commerciale sull’intelligenza artificiale.

Esempi e applicazioni del deep learning

Il deep learning diventa particolarmente utile quando il problema richiede di ricavare strutture significative da grandi quantità di dati complessi.

Non significa però che ogni applicazione utilizzi necessariamente una rete profonda o che un modello neurale operi da solo. Nei sistemi reali il modello è spesso soltanto una parte di un’architettura più ampia.

Computer vision, linguaggio, audio e sistemi generativi

Nella computer vision, le reti profonde possono classificare immagini, individuare oggetti, segmentare aree di interesse e costruire rappresentazioni visuali.

Nel linguaggio naturale possono essere utilizzate per classificazione, traduzione, ricerca semantica, estrazione di informazioni, generazione e numerosi altri compiti.

Nell’audio trovano applicazione nel riconoscimento del parlato, nella sintesi vocale, nella classificazione di suoni e nella generazione.

Nei sistemi generativi possono produrre testo, immagini, audio, video, codice o rappresentazioni intermedie utilizzate da altri componenti.

La stessa tecnologia di base può quindi partecipare a problemi molto diversi. Quello che cambia è l’architettura, l’obiettivo di addestramento, il dataset e il sistema all’interno del quale il modello viene utilizzato.

Raccomandazioni, anomalie, medicina e industria

Le applicazioni non si limitano alla generazione di contenuti.

Reti profonde possono contribuire a:

• analizzare immagini mediche;
• individuare pattern anomali;
• interpretare documenti;
• analizzare segnali provenienti da sensori;
• supportare sistemi di raccomandazione;
• classificare contenuti;
• prevedere determinate proprietà a partire da dati complessi.

Il verbo importante è contribuire.

Dire che “il deep learning diagnostica una malattia” o “decide autonomamente cosa comprare un cliente” nasconde il funzionamento reale del sistema. Il modello produce output sulla base degli input e del compito per cui è stato progettato; l’utilizzo operativo di quell’output dipende dall’applicazione, dalle soglie, dalle regole, dalla qualità dei dati e, nei contesti appropriati, dalla supervisione umana.

Un esempio completo: dall’input alla previsione del modello

Torniamo al classificatore di immagini.

Supponiamo di voler distinguere fotografie appartenenti a due categorie.

Durante il training:

1. Input. Il sistema riceve immagini accompagnate dall’informazione necessaria per il compito supervisionato.

2. Forward pass. La rete trasforma progressivamente i dati attraverso i propri livelli.

3. Output. Il modello produce una previsione.

4. Loss. Il risultato viene confrontato con il target.

5. Backpropagation. Vengono calcolati i gradienti necessari per capire come cambiare i parametri.

6. Ottimizzazione. I pesi vengono aggiornati.

7. Ripetizione. Il processo continua su molti esempi.

Quando il modello viene valutato seriamente, però, non basta controllare quanto funziona sugli esempi che ha già visto.

Serve un insieme di dati distinto che permetta di verificare la generalizzazione, cioè la capacità di funzionare anche su casi nuovi.

Durante l’inferenza la sequenza diventa molto più semplice:

nuova immagine → rete addestrata → previsione

È proprio questa separazione a spiegare perché un buon risultato in training non equivale automaticamente a un buon modello.

Vantaggi, limiti e rischi del deep learning

Il vantaggio più importante del deep learning è la capacità di apprendere rappresentazioni molto complesse direttamente dai dati.

È anche una delle sue principali fonti di complessità.

Modelli molto espressivi possono richiedere grandi risorse, diventare difficili da interpretare e apprendere pattern che non corrispondono a ciò che realmente vogliamo ottenere.

Per questo valutare un modello significa guardare oltre il risultato medio di un benchmark.

Perché più dati e più profondità non significano automaticamente risultati migliori

Aumentare il numero di parametri o la profondità della rete non garantisce un miglioramento.

Se i dati non rappresentano il problema reale, il modello può imparare correlazioni sbagliate.

Se il training non è impostato correttamente, una rete più complessa può essere più difficile da ottimizzare.

Se il modello memorizza troppo bene le peculiarità dei dati di training, può verificarsi overfitting: ottime prestazioni sugli esempi conosciuti e risultati peggiori su quelli nuovi.

La guida di Google su generalizzazione e overfitting sottolinea proprio questa distinzione: il valore del modello dipende dalla capacità di comportarsi bene su nuovi dati, non dalla sola performance sul training set.

Per questo:

più grande ≠ automaticamente migliore

e

più training ≠ automaticamente migliore

La dimensione del modello deve essere valutata rispetto a dati, obiettivo, regolarizzazione, risorse e capacità di generalizzazione.

Overfitting, bias, robustezza e cambiamento dei dati

Un modello può fallire anche quando le metriche iniziali sembrano buone.

L’overfitting è uno dei casi più conosciuti: il modello si adatta eccessivamente ai dati utilizzati durante lo sviluppo e non generalizza abbastanza bene.

C’è poi il problema dei bias nei dati. Se il dataset rappresenta male la popolazione o contiene distorsioni sistematiche, il modello può incorporarle nei propri output.

Un altro problema è il distribution shift: le condizioni reali possono cambiare rispetto a quelle presenti nei dati utilizzati per l’addestramento.

Un sistema addestrato su fotografie scattate con determinate condizioni di luce, dispositivi e ambienti può comportarsi diversamente quando viene utilizzato in scenari molto differenti.

La robustezza deve quindi essere verificata in condizioni realistiche, non presunta dalla sola accuratezza media.

Costi computazionali e interpretabilità: i trade-off da conoscere

Addestrare reti profonde può richiedere notevoli risorse computazionali, soprattutto quando si parte da zero con modelli di grandi dimensioni.

Il costo non riguarda soltanto il training.

Un sistema in produzione deve considerare anche memoria, inferenza, latenza, scalabilità, aggiornamento del modello e monitoraggio.

A questi aspetti si aggiunge l’interpretabilità.

In un modello lineare possiamo spesso osservare direttamente il rapporto fra variabili e risultato. In una rete profonda con milioni o miliardi di parametri questa relazione diventa molto più difficile da ricostruire.

Esistono tecniche specifiche per interpretare o analizzare il comportamento dei modelli, ma non eliminano automaticamente il problema.

Per questo la domanda finale non dovrebbe essere:

“Possiamo usare il deep learning?”

Dovrebbe essere:

“Il vantaggio ottenuto dal deep learning giustifica dati, complessità, calcolo, rischio e costi operativi richiesti?”

Conclusione

Il deep learning è una famiglia di tecniche di machine learning basate su reti neurali profonde capaci di apprendere rappresentazioni complesse dei dati.

La profondità è importante, ma non è una formula magica. Ciò che rende questi modelli particolarmente potenti è la combinazione tra rappresentazioni apprese, architetture adatte al problema, dati, ottimizzazione e capacità di generalizzare.

Per capire davvero come funzionano bisogna inoltre separare due fasi: durante il training il modello modifica i propri parametri; durante l’inferenza utilizza normalmente ciò che ha già appreso per produrre un risultato. Questa distinzione evita uno degli equivoci più comuni sull’AI: usare un modello non significa automaticamente continuare ad addestrarlo.

CNN, RNN, Transformer, autoencoder, GAN e diffusion model mostrano inoltre che non esiste una sola architettura di deep learning. Ogni struttura nasce per affrontare problemi e tipi di dati differenti, e il panorama continua a evolvere.

La conseguenza pratica è semplice: non scegliere il deep learning perché è la tecnologia più sofisticata, ma quando la capacità di apprendere rappresentazioni complesse offre un vantaggio reale rispetto a soluzioni più semplici.

Se il problema è semplice, i dati sono limitati o interpretabilità e costi sono determinanti, un approccio tradizionale può essere la scelta migliore. Quando invece devi lavorare con immagini, linguaggio, audio o altri dati complessi e disponi di condizioni adeguate per addestrare o adattare il modello, il deep learning diventa uno degli strumenti più potenti disponibili nel machine learning.