Che cosa sono le reti neurali artificiali?
Sistemi di elaborazione ispirati alle reti neurali biologiche con nodi interconnessi in strati che elaborano le informazioni attraverso connessioni ponderate
Summary
- Composto da un livello di input che riceve i dati, livelli nascosti che trasformano gli input tramite connessioni ponderate e funzioni di attivazione, e un livello di output che produce previsioni, con backpropagation che regola i pesi durante l'addestramento.
- Apprende rappresentazioni gerarchiche estraendo automaticamente le feature dai dati grezzi, eliminando la progettazione manuale delle feature e consentendo applicazioni nel riconoscimento delle immagini, nell'elaborazione del linguaggio naturale, nel riconoscimento vocale e nei sistemi autonomi.
- Richiede grandi set di dati per l'addestramento per evitare l'overfitting, trae vantaggio dall'accelerazione GPU per le operazioni sulle matrici e utilizza architetture come reti convoluzionali per le immagini, reti ricorrenti per le sequenze e trasformatori per il linguaggio.
Che cos'è una rete neurale artificiale?
Una rete neurale artificiale (in inglese artificial neural network ANN) è un sistema di calcolo che ricalca il funzionamento dei neuroni nel cervello umano.
Come funzionano le reti neurali artificiali?
Le reti neurali artificiali possono essere viste come grafi orientati e pesati, comunemente organizzati in strati. Questi strati sono composti da numerosi nodi che imitano i neuroni biologici del cervello umano. I nodi sono interconnessi e contengono una funzione di attivazione. Il primo strato riceve il segnale di ingresso grezzo dal mondo esterno, analogamente ai nervi ottici nell'elaborazione visiva umana. Ogni strato successivo riceve l'output dello strato precedente, in modo simile al modo in cui i neuroni situati più lontano dal nervo ottico ricevono i segnali da quelli più vicini. L'output di ciascun nodo è chiamato attivazione o valore del nodo. L'ultimo livello produce l'output del sistema. Le ANN sono in realtà modelli matematici in grado di apprendere che ci permettono di migliorare le tecnologie di analisi dei dati esistenti. Le reti neurali artificiali sono uno dei motivi per cui abbiamo assistito a un importante progresso nell'intelligenza artificiale (AI), nel machine learning (ML) e nel deep learning.
Rete neurale artificiale di tipo percettrone
Il percettrone è il tipo più semplice di rete neurale artificiale ed è solitamente utilizzato per fare previsioni binarie. Un percettrone può funzionare solo se i dati sono linearmente separabili.
Gartner®: Databricks leader dei database cloud
Rete neurale artificiale multistrato
Una rete neurale multistrato completamente connessa è nota anche come Percettrone multistrato (MLP). Questo tipo di rete neurale artificiale è costituito da più di uno strato di neuroni artificiali o nodi; a questa tipologia appartengono ad esempio le Reti Neurali Convoluzionali e le Reti Neurali Ricorrenti. Una ANN multistrato viene utilizzata per risolvere compiti di classificazione e regressione più complessi. Il modello più comune è il modello a 3 strati completamente connessi a retropropagazione. Il primo strato è costituito da neuroni di ingresso, che inviano i dati al secondo strato il quale a sua volta invia i neuroni di uscita al terzo strato.
In base alla topologia, si distinguono poi due tipi di rete neurale artificiale: feed-forward e feed-back.
Rete neurale artificiale feed-forward
In questa ANN il flusso di informazioni è unidirezionale: l'informazione viaggia in un'unica direzione, in avanti, senza creare anelli di retroazione. Passa prima per i nodi di ingresso, poi per i nodi nascosti (se presenti) e infine per i nodi di uscita.
Rete neurale artificiale feed-back
In questo tipo di rete, tra i neuroni esistono delle connessioni di feedback intrinseche e gli anelli di retroazione sono consentiti.
