Ufficio

Cosa sono le reti neurali?

Le reti neurali artificiali (o ANN, artificial neural network) e le reti neurali simulate (o SNN, simulated neural network) sono un sottoinsieme dell’apprendimento automatico e il cuore degli algoritmi di deep learning. Il loro nome così come la loro struttura sono ispirati al cervello umano . Le reti neurali infatti imitano il modo in cui i neuroni biologici comunicano tra loro.

Il sistema nervoso è responsabile di tutto ciò che gli esseri umani fanno, di ogni ricordo e azione che compiono. I nostri neuroni sono  ottimizzati per ricevere informazioni da altri neuroni, elaborare le informazioni e inviare i risultati ad altre cellule. In modo molto simile al neurone il perceptron riceve informazioni, le sintetizza e le invia attraverso una funzione di attivazione. Questa funzione di attivazione determina se inviare o meno l’output e a quale livello. I percettori sono organizzati in strati composti da nodi interconnessi proprio come i neuroni del cervello umano.

Fonte

 

Tipi di reti neurali

Di seguito vengono riportati le tipologie più comuni di reti neurali e i casi di utilizzo di queste:

A- Il percettrone è la più antica rete neurale. Questa prima forma di rete neurale è stata proposta dallo psicologo americano Frank Rosenblatt nel 1958. Sebbene sia ormai considerato superato, rimane la base per la progettazione di reti complesse.

B- Le reti feedforward, o percettroni multilvello presentano una struttura a livelli. Questi livelli sono :

  • Livello di input
  • Uno o più livelli nascosti
  • Livello di output

In questo tipo di reti non sono possibili autocollegamenti o connessioni con i neuroni del proprio livello. Ogni neurone ha quindi la funzione di propagare il segnale attraverso la rete, con un flusso di informazione dagli ingressi verso le uscite.

Questi modelli sono la base per la visione artificiale, l’NLP (natural language processing) e per altre reti neurali.

C- Le reti neurali ricorrenti (o RNN, recurrent neural network)sono identificate dai loro loop di feedback. Ci si avvale di questi algoritmi di apprendimento soprattutto quando si utilizzano dati di serie temporali per fare delle previsioni su risultati futuri, come ad esempio delle previsioni relative al mercato azionario o delle previsioni di vendita.

 

Confronto tra reti neurali e deep learning

Tendenzialmente, si parla di deep learning e reti neurali in modo interscambiabile, il che può creare confusione. Di conseguenza, vale la pena notare che il termine “profondo” (deep) in deep learning si riferisce esclusivamente alla profondità dei livelli in una rete neurale. Una rete neurale che consiste in più di tre livelli – che sarebbero comprensivi degli input e dell’output – può essere considerata un algoritmo di deep learning. Una rete neurale che ha solo due o tre livelli è soltanto una rete neurale di base.