Reti neurali: Non conosci le 3 aspetti

Reti neurali artificiali (RNA) sono un modello informatico che simula il comportamento del cervello umano. Scoprite come.

Reti neurali sono un modello informatico creato da Warren McCulloch e Walter Pitts nel 1943, noto come logica a soglia, che si basa su matematica e algoritmi.

Da questa iniziativa, la ricerca sulle reti neurali si è divisa in due aree distinte. Una si è concentrata sui processi biologici del cervello, l’altra si è basata sull’applicazione delle reti neurali all’intelligenza artificiale.

I modelli di reti neurali nell’intelligenza artificiale si riferiscono solitamente alle reti neurali artificiali (RNA); si tratta di modelli matematici di base che definiscono una funzione f:X→Y o una distribuzione più X o entrambi X e Y.

Il termine “rete” si riferisce alle interconnessioni tra i neuroni nei diversi strati di ogni sistema.

Come funziona?

Una rete neurale artificiale è costituita da neuroni artificiali che ricevono informazioni dall’esterno o da altri neuroni, le elaborano e generano un valore di uscita che viene inviato ad altri neuroni della rete o che rappresenta la risposta o l’uscita all’esterno della rete.

Una RNA è definita dalle seguenti caratteristiche:

Il modello di interconnessione tra i diversi strati di neuroni.
La funzione di attivazione che converte gli ingressi ponderati di un neurone nella sua attivazione in uscita.
La fase di apprendimento per l’aggiornamento dei pesi di interconnessione.

Ciò che ha suscitato interesse nelle reti neurali è il loro potenziale di apprendimento. In questo caso, dato un compito da risolvere e una classe di funzioni F, l’apprendimento consiste nell’utilizzare un insieme di osservazioni per trovare f∗ ∈ F che risolva bene il compito.

La maggior parte degli algoritmi utilizzati per le interconnessioni tra i neuroni artificiali impiegati per l’addestramento impiega una qualche forma di discesa del gradiente.

Vantaggi della RNA

Il più grande vantaggio delle RNA è la loro capacità di essere utilizzate come meccanismo di approssimazione di funzioni arbitrarie che “imparano” dai dati osservati. Tuttavia, il loro utilizzo non è così semplice.

L’uso delle RNA dipende dai seguenti aspetti:

La rappresentazione dei dati e la loro applicazione determinano la scelta del modello.
La selezione dell’algoritmo di apprendimento.
La RNA risultante può essere estremamente robusta, selezionando il modello appropriato.

Applicazioni delle RNA:

Identificazione e controllo dei sistemi. Esempi: controllo di veicoli, previsione di traiettorie, controllo di processi, gestione delle risorse naturali.
Chimica quantistica, giochi e processi decisionali. Esempi: scacchi, poker, ecc.
Riconoscimento di modelli. Esempi: sistemi radar, riconoscimento facciale, classificazione di segnali, riconoscimento di sequenze, ecc.
Riconoscimento di testi scritti a mano, diagnosi medica. Ad esempio, sistemi automatizzati per il commercio in vari settori di attività, data mining, ecc.
Visualizzazione, traduzione automatica, differenziazione tra segnalazioni desiderate e indesiderate sui social media. Esempi: prevenzione dello spam, ecc.
Diagnosi di vari tipi di cancro. Esempi: cancro ai polmoni, alla prostata e al colon-retto. In questo modo, queste reti potrebbero prevedere, tra l’altro, esiti multipli per i pazienti di istituti affini.

Classificazione RNA:

La rete neurale a singolo strato è la rete più semplice.
La generalizzazione della rete neurale a singolo strato è considerata multistrato.
Convoluzionale con il perceptron multistrato, ne unisce solo un sottoinsieme.
Non hanno una struttura a strati e consentono solo connessioni arbitrarie tra i neuroni; sono chiamate ricorrenti.
Le reti a base radiale calcolano l’uscita della funzione in base alla distanza da un punto chiamato centro.

Le RNA sono quindi importanti perché possono aiutare i computer a prendere decisioni intelligenti con un’assistenza umana limitata. Inoltre, possono essere utilizzate in modo naturale nell’apprendimento online e in applicazioni con grandi quantità di dati, come la diagnosi di vari tipi di cancro.