{"id":347772,"date":"2021-12-08T21:38:00","date_gmt":"2021-12-08T18:38:00","guid":{"rendered":"https:\/\/inform.com.de\/?p=347772"},"modified":"2021-12-07T19:36:47","modified_gmt":"2021-12-07T16:36:47","slug":"in-parole-semplici-sul-complesso-cosa-sono-le-reti-neurali-scrivere-una-rete-neurale-feedforward-da-zero","status":"publish","type":"post","link":"https:\/\/inform.com.de\/it\/in-parole-semplici-sul-complesso-cosa-sono-le-reti-neurali-scrivere-una-rete-neurale-feedforward-da-zero\/","title":{"rendered":"In parole semplici sul complesso: cosa sono le reti neurali? Scrivere una rete neurale feedforward da zero."},"content":{"rendered":"

Cos'\u00e8 una rete neurale?<\/h2>\n

Come sai, il nostro cervello \u00e8 una cosa complessa. Il coordinamento del suo lavoro avviene attraverso i neuroni – cellule nervose con rami che si estendono da loro. Intrecciandosi tra loro, i neuroni formano una rete neurale, un meccanismo intricato che determina tutta la diversit\u00e0 della psiche umana. Questa \u00e8 la radice della nostra autocoscienza, il sentimento di noi come individui, guidati dai nostri desideri e aspirazioni interiori.<\/p>\n

Se si verifica un malfunzionamento nel lavoro dei neuroni, la persona cambia oltre il riconoscimento. A seconda della gravit\u00e0 della lesione, i cambiamenti vanno da lievi segni di comportamento deviante alla cessazione del normale funzionamento del corpo. Il danno cerebrale \u00e8 spesso fatale.<\/p>\n

Ma oggi non parleremo di biologia, perch\u00e9 non solo il sistema del nostro cervello si chiama reti neurali, ma anche un complesso programma per computer con principi operativi simili. Come la materia grigia, \u00e8 frattale, cio\u00e8 consiste in molti programmi pi\u00f9 semplici che formano una sorta di simbiosi.<\/p>\n

Durante il funzionamento, la rete neurale impara, acquisisce esperienza e diventa pi\u00f9 perfetta. Quindi, abbiamo a che fare con un vero organismo digitale, che si prevede un giorno superer\u00e0 il suo creatore.<\/p>\n

Come sono apparse le reti neurali<\/h2>\n

L'emergere del concetto di reti neurali artificiali risale agli anni '40 del secolo precedente. In particolare, \u00e8 associato agli scienziati McCulloch e Pitts, che hanno cercato di simulare i processi del cervello. Hanno anche proposto l'idea di creare un sistema di autoapprendimento progettato per eseguire varie operazioni logiche. Il problema era che le tecnologie di quel tempo erano lontane da quelle di oggi e gli inventori non riuscirono a realizzare appieno le loro idee.<\/p>\n

(Warren McCulloch e Walter Pitts)<\/p>\n

Il loro lavoro fu continuato dal fisiologo canadese Donald Hebb e nel 1949 fu presentato al mondo il primo algoritmo per il calcolo della ANN. Per i successivi 10 anni, serv\u00ec come base per lo sviluppo di altri scienziati, fino a quando, finalmente, nel 1958, Frank Rosenblatt cre\u00f2 il parceptron, una tecnologia che imita il lavoro del nostro cervello. Per l'epoca, questa novit\u00e0 era incredibile. Scienziati sovietici e americani si unirono al lavoro, che diedero anche un notevole contributo alla ricerca.<\/p>\n

Tra la fine del XX e l'inizio del XXI secolo, la tecnologia ha fatto un balzo in avanti, che \u00e8 servito come un buon incentivo per un'attivit\u00e0 scientifica pi\u00f9 intensa, e nel 2007 l'informatico Jeffrey Hinton ha inventato un algoritmo di apprendimento profondo per le reti neurali, che \u00e8 ora ampiamente utilizzato in auto a guida autonoma.<\/p>\n

\"In<\/a><\/p>\n

(Geoffrey Hinton)<\/p>\n

Un po ‘di storia<\/h3>\n

Per la prima volta, il concetto di reti neurali artificiali (ANN) \u00e8 nato quando si cercava di simulare i processi del cervello. La prima grande svolta in quest'area pu\u00f2 essere considerata la creazione del modello di rete neurale McCulloch-Pitts nel 1943. Gli scienziati hanno prima sviluppato un modello di un neurone artificiale. Hanno anche proposto la costruzione di una rete di questi elementi per eseguire operazioni logiche. Ma soprattutto, gli scienziati hanno dimostrato che una tale rete \u00e8 in grado di apprendere.<\/p>\n

\"In<\/a><\/p>\n

Il passo successivo importante fu lo sviluppo da parte di Donald Hebb del primo algoritmo per il calcolo della ANN nel 1949, che divenne fondamentale per diversi decenni successivi. Nel 1958, Frank Rosenblatt ha sviluppato il parceptron, un sistema che imita i processi del cervello. Un tempo, la tecnologia non aveva analoghi ed \u00e8 ancora fondamentale nelle reti neurali. Nel 1986, quasi contemporaneamente, indipendentemente l'uno dall'altro, gli scienziati americani e sovietici migliorarono in modo significativo il metodo fondamentale di insegnamento del perceptron multistrato<\/a>. Nel 2007, le reti neurali hanno subito una rinascita. Lo scienziato informatico britannico Jeffrey Hinton<\/a> ha sviluppato per la prima volta un algoritmo di apprendimento profondo per reti neurali multistrato, che ora viene utilizzato, ad esempio, per azionare veicoli senza pilota.<\/p>\n

Brevemente sulla cosa principale<\/h3>\n

Nel senso generale del termine, le reti neurali sono modelli matematici che funzionano sul principio delle reti di cellule nervose in un organismo animale. Le ANN possono essere implementate sia in soluzioni programmabili che hardware. Per facilit\u00e0 di percezione, un neurone pu\u00f2 essere immaginato come una sorta di cellula, che ha molti buchi di input e un output. Il numero di segnali in ingresso formati in quello in uscita determina l'algoritmo di calcolo. Valori efficaci vengono forniti a ciascun input neuronale, che vengono poi propagati lungo le connessioni interneuronali (sinossi). Le sinapsi hanno un parametro: il peso, a causa del quale le informazioni di input cambiano quando si passa da un neurone a un altro. Il modo pi\u00f9 semplice per immaginare come funzionano le reti neurali pu\u00f2 essere rappresentato dall'esempio della miscelazione dei colori. I neuroni blu, verde e rosso hanno pesi diversi.<\/p>\n

\"In<\/a><\/p>\n

La rete neurale stessa \u00e8 un sistema di molti di questi neuroni (processori). Separatamente, questi processori sono abbastanza semplici (molto pi\u00f9 semplici di un processore di personal computer), ma quando sono collegati a un sistema di grandi dimensioni, i neuroni sono in grado di eseguire compiti molto complessi.<\/p>\n

A seconda dell'area di applicazione, una rete neurale pu\u00f2 essere interpretata in diversi modi: ad esempio, dal punto di vista dell'apprendimento automatico, una ANN \u00e8 un metodo di riconoscimento di pattern. Da un punto di vista matematico, questo \u00e8 un problema multiparametrico. Dal punto di vista della cibernetica, \u00e8 un modello di controllo adattivo della robotica. Per l'intelligenza artificiale, ANN \u00e8 una componente fondamentale per modellare l'intelligenza naturale utilizzando algoritmi computazionali.<\/p>\n

Il vantaggio principale delle reti neurali rispetto agli algoritmi di calcolo convenzionali \u00e8 la loro capacit\u00e0 di apprendimento. Nel senso generale del termine, l'apprendimento consiste nel trovare i corretti coefficienti di accoppiamento tra i neuroni, nonch\u00e9 nel generalizzare i dati e nell'identificare relazioni complesse tra i segnali di ingresso e di uscita. Infatti, il buon esito dell'addestramento di una rete neurale significa che il sistema sar\u00e0 in grado di identificare il risultato corretto in base ai dati non presenti nel training set.<\/p>\n

Applicazione di reti neurali<\/h2>\n

Il campo di applicazione delle reti neurali \u00e8 incredibilmente ampio ed \u00e8 limitato solo dalla nostra immaginazione. Ne elenchiamo alcuni:<\/p>\n