neurali:introduzione
Differences
This shows you the differences between two versions of the page.
Previous revision | |||
— | neurali:introduzione [2023/06/09 09:04] (current) – profpro | ||
---|---|---|---|
Line 1: | Line 1: | ||
+ | ^ [[neurali: | ||
+ | ====== Reti neurali (o neuronali) ====== | ||
+ | Un sistema nervoso biologico è composto da un insieme di cellule nervose ([[neurali: | ||
+ | Le reti neurali cercano di simulare, con un modello matematico, il comportamento di un sistema biologico. | ||
+ | Le reti neurali di prima generazione riescono a realizzare solo delle funzioni matematiche. | ||
+ | |||
+ | |||
+ | |||
+ | ===== Reti neurali Artificiali (ANN) ===== | ||
+ | In biologia i neuroni si possono classificare in // | ||
+ | Analogamente anche nelle reti neurali artificiali si ricevono dati di ingresso e producono dati di uscita. | ||
+ | Nella seguente figura i neuroni sensitivi che ricevono dati in ingresso sono colorati in azzurro, e i neuroni motori, che producono dati in output, in arancio. | ||
+ | Tuttavia, invece del termine // | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | ====Dimensioni==== | ||
+ | Il numero di neuroni in input determina la dimensione dello spazio dei dati di input. Serve una ulteriore dimensione per ogni ulteriore grado di libertà dello spazio di input. | ||
+ | Lo stesso si può dire per la dimensione dell' | ||
+ | Per comprendere perché una rete può produrre in output un vettore invece che uno scalare, si veda come si risolvono i [[neurali: | ||
+ | |||
+ | |||
+ | Semplificando un po' la realtà, si può dire che un neurone è una cellula composta da: | ||
+ | * un corpo centrale (detto **soma**) | ||
+ | * più linee (dette **dendriti**) che conducono i segnali elettrochimici verso il neurone | ||
+ | * una sola linea (detta **assone**) che conduce un segnale in uscita | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | Il neurone ha limitate capacità di elaborazione, | ||
+ | Analogamente anche il percettrone ha diverse linee di input. L' | ||
+ | |||
+ | ====Utilizzi==== | ||
+ | Attualmente le reti neurali possono fornire soluzioni a problemi come il riconoscimento di forme, o simili, come il raggruppamento in categorie di oggetti. Quindi riescono ad applicare regole semplici anche per i problemi complessi, senza il bisogno di dover fornire esplicitamente queste regole, utilizzando solo un addestramento iniziale. | ||
+ | In breve, si usano quando non esiste un algoritmo noto. | ||
+ | |||
+ | Alcune delle caratteristiche distintive delle reti neurali (artificiali) rispetto ai tradizionali sistemi di elaborazione automatica dei dati sono: | ||
+ | * hanno una fase di **apprendimento** con dati di input appositamente preparati, diversa dalla fase di **produzione** | ||
+ | * possono fornire un adeguato output anche quando si forniscono in input dati diversi da quelli della fase di apprendimento | ||
+ | |||
+ | Possono risolvere diversi tipi di [[neurali: | ||
+ | ===== Apprendimento oppure Ottimizzazione? | ||
+ | |||
+ | Durante la fase di [[neurali: | ||
+ | L' | ||
+ | |||
+ | Per questo motivo, durante l' | ||
+ | |||
+ | ==== Approfondimento ==== | ||
+ | |||
+ | metodi risolutivi del precedente problema di ottimizzazione: | ||
+ | - standard optimization heuristics | ||
+ | - simulated annealing | ||
+ | - [[neurali: | ||
+ | - gradient descent algorithms | ||
+ | - backpropagation (richiede di conoscere gli output desiderati) > apprendimento supervisionato | ||
+ | - RPROP | ||
+ | - quickprop | ||
+ | - metodo dei minimi quadrati | ||
+ | - regressione lineare |