Come discusso nell'introduzione, uno dei modi per raggiungere l'intelligenza è addestrare un modello informatico o un cervello artificiale. Dalla metà del XX secolo, i ricercatori hanno sperimentato diversi modelli matematici, finché negli ultimi anni questa direzione si è dimostrata estremamente promettente. Questi modelli matematici del cervello sono chiamati reti neurali.
A volte le reti neurali sono chiamate Reti Neurali Artificiali, ANNs, per indicare che stiamo parlando di modelli, non di reti reali di neuroni.
Le Reti Neurali fanno parte di una disciplina più ampia chiamata Machine Learning, il cui obiettivo è utilizzare i dati per addestrare modelli informatici capaci di risolvere problemi. Il Machine Learning costituisce una grande parte dell'Intelligenza Artificiale, tuttavia, non trattiamo il ML classico in questo curriculum.
Visita il nostro curriculum separato Machine Learning for Beginners per saperne di più sul Machine Learning classico.
Nel Machine Learning, assumiamo di avere un dataset di esempi X e i corrispondenti valori di output Y. Gli esempi sono spesso vettori N-dimensionali che consistono in caratteristiche, e gli output sono chiamati etichette.
Considereremo i due problemi di machine learning più comuni:
- Classificazione, dove dobbiamo classificare un oggetto di input in due o più classi.
- Regressione, dove dobbiamo prevedere un valore numerico per ciascun campione di input.
Quando rappresentiamo gli input e gli output come tensori, il dataset di input è una matrice di dimensioni M×N, dove M è il numero di campioni e N è il numero di caratteristiche. Le etichette di output Y sono il vettore di dimensioni M.
In questo curriculum, ci concentreremo solo sui modelli di reti neurali.
Dalla biologia, sappiamo che il nostro cervello è composto da cellule neurali (neuroni), ciascuna delle quali ha molteplici "input" (dendriti) e un singolo "output" (assone). Sia i dendriti che gli assoni possono condurre segnali elettrici, e le connessioni tra di loro — note come sinapsi — possono mostrare diversi gradi di conduttività, regolati dai neurotrasmettitori.
 |
 |
|---|---|
| Neurone Reale (Immagine da Wikipedia) | Neurone Artificiale (Immagine dell'autore) |
Pertanto, il modello matematico più semplice di un neurone contiene diversi input X1, ..., XN e un output Y, e una serie di pesi W1, ..., WN. L'output viene calcolato come:
dove f è una funzione di attivazione non lineare.
I primi modelli di neurone sono stati descritti nel classico articolo A logical calculus of the ideas immanent in nervous activity di Warren McCullock e Walter Pitts nel 1943. Donald Hebb, nel suo libro "The Organization of Behavior: A Neuropsychological Theory", ha proposto il modo in cui queste reti possono essere addestrate.
In questa sezione impareremo:
- Perceptron, uno dei primi modelli di rete neurale per la classificazione a due classi
- Reti multi-strato con un notebook associato come costruire il nostro framework
- Framework per Reti Neurali, con questi notebook: PyTorch e Keras/Tensorflow
- Overfitting
Avvertenza:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica Co-op Translator. Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.