Condividi:

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram

Reti neurali? Ti viene in mente qualcosa. Può essere! Se si chiamano così è perché c’è un motivo che collega questo nome a quello che potresti già conoscere.

Prima di dire però qual è il collegamento con questo nome ti spiego cosa sono le reti neurali.

La rete o le reti neurali, sono un insieme di neuroni collegati tra loro grazie a dei filamenti chiamati sinapsi.

Facciamo subito una pausa nel caso tu non conoscessi queste due cose.


Neurone – E’ una cellula che raccoglie e conduce degli impulsi.

Sinapsi – La sinapsi come detto prima è un filamento che connette due neuroni. La sinapsi quindi trasporta l’impulso.


Okaaaay. Ora che sai anche questo possiamo andare avanti così che tu possa collegare tutte le tue conoscenze che hai appena acquisito.

Da dove viene il nome “Reti neurali”?

Uno degli obiettivi dell’uomo è quello di clonare la nostra intelligenza, o meglio costruirne anche una che la superi.

Per questo quello che da sempre facciamo è riprodurre quello che ci comanda. Il nostro cervello, da dove deriva l’intelligenza (così intelligenza artificiale vedi questo articolo se non la conosci) e da dove derivano le reti neurali (da cui si denota il deep learning).

Infatti, le reti neurali artificiali, ovvero quelle coinvolte nel processo di apprendimento, sono una “riproduzione” delle reti neurali biologiche. Ed è per questo che gli elementi che le compongono hanno gli stessi nomi.

Quindi così come quelle di cui dotiamo noi umani, le reti neurali artificiali sono composte da:

  • Un corpo che sarebbe il neurone stesso.
  • Infine dalle “sinapsi” che come detto trasmettono l’informazione (pesi).

Ma quindi come funziona una rete neurale?

Come ti ho già detto, rete neurale artificiale e rete neurale biologica sono strettamente collegate, in un senso logico. Funzionano allo stesso modo.

Per questo per spiegartelo in maniera tale che tu possa capire il concetto più facilmente, te lo spiegherò a livello umano.

Quello che facciamo, inconsapevolmente, è memorizzare nei neuroni e nelle sinapsi tutte le informazioni che riceviamo. Quindi tramite i nostri sensi riceviamo e memorizziamo informazioni (dati) che di conseguenza elaboriamo, collegandole poi con altre che già abbiamo.

Una volta che abbiamo fatto questo, quando dobbiamo esporre l’informazione questa viene da noi espressa in maniera differente da come l’abbiamo assunta.

La stessa cosa accade per le ANN (Artificial Neural Network – Reti Neurali Artificiali). Queste sono formate da strutture di dati non lineari, ricavano questi ultimi e gli elaborano.

Una cosa che ancora non ti ho detto è che questa informazione passa da più livelli di neuroni, quindi è come se subisse ogni volta una trasformazione fino a ricavare un risultato ottimale.

Ecco un esempio nell’immagine:


reti neurali

Ok, purtroppo questo è molto a livello teorico di come funzionano le reti neurali. Ma prima, per farle funzionare, dobbiamo necessariamente addestrarle.

Per addestrare delle reti neurali si possono usare alcuni tipi di apprendimento.

I modelli di apprendimento usati per addestrare una rete neurale derivano dal Machine Learning, non per questo le reti neurali sono una branca e uno dei modelli di Machine Learning.

Quindi, qui possiamo trovare ben 4 tipi:

  • Modello supervisionato: qui l’algoritmo riceve dei dati di input e output ed in base a questi dati deve trovare la funzione per trovare l’output che gli è stato fornito. 
  • Modello semi-supervisionato: i dati forniti al computer sono incompleti. Ovvero, la macchina riceve alcuni dati con il loro rispettivo output e alcuni dati senza di esso, il computer deve trovare la funzione per sapere l’output.
  • Modello non supervisionato: il compito dell’algoritmo è quello di trovare il risultato capendo la funzione da applicare in base alla struttura dei dati forniti in input, senza avere gli output a disposizione.
  • Modello di rinforzo: la macchina (robot o quel che sia) deve prendere i dati in base all’ambiente circostante, infatti, ad esso vengono forniti sensori e telecamere capaci di catturare dati dalle immagini dinamiche e successivamente deve restituire un output.

Se vuoi approfondire, puoi vedere questo articolo sul Machine Learning.

Quali sono i vantaggi e i limiti di un modello a rete neurale?

Vantaggi:

  • Parallelismo: permette di elaborare più informazioni in quanto si hanno più livelli capaci di elaborarle.
  • Elasticità dell’informazione: se l’input è impreciso comunque riescono a trovare un output corretto.
  • Essendo una branca del machine learning è in grado di auto-aggiornarsi e correggersi.

Limiti:

  • Alcune volte l’output non è perfetto.
  • L’apprendimento, in base alla variabili come input e modello utilizzato, può impiegare un po’ di tempo.

Dove viene applicata una rete neurale?

Uno degli esempi più comuni che posso fare sono le auto a guida autonoma. Infatti, c’è una complessità di informazioni che l’auto (o almeno l’IA) deve raccogliere ed elaborare.

Mentre l’auto cammina deve riconoscere persone, segnali stradali, auto ecc e capire cosa deve fare in determinate situazioni.

Questo è solo un esempio, ma una rete neurale può essere applicata anche in altri campi come quello della medicina, della finanza ecc.

Con questo articolo spero di esserti stato utile e di averti chiarito cosa sono le reti neurali.

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Antonio Furioso

Antonio Furioso

Fondatore di Neuragate. Credo molto in quello che le immagini possono comunicare, per questo sono fortemente attratto dalla Computer Vision. Mi piace tutto quello che è nuovo. La curiosità è quella che mi spinge oltre le aspettative e a fare sempre di più.

Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti