Reti Neurali
Upcoming SlideShare
Loading in...5
×
 

Reti Neurali

on

  • 706 views

 

Statistics

Views

Total Views
706
Views on SlideShare
700
Embed Views
6

Actions

Likes
0
Downloads
2
Comments
0

1 Embed 6

http://statisticvillage.altervista.org 6

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Reti Neurali Reti Neurali Presentation Transcript

  • UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀDIECONOMIA Corso di Laurea in Statistica e Informatica per la Gestione delle Imprese Prova FinaleApprendimento Automatico e Reti Neurali Intelligenza Artificiale Relatore Prof.ssa Valentina Poggioni Laureando Giuseppe Agabiti S
  • Cos’è l’Intelligenza Artificiale? L’intelligenza artificiale ha lo scopo di sviluppare algoritmi che fanno operazioni che apparentemente richiedono cognizione quando fatte da umani. Le azioni che un sistema intelligente deve svolgere sono fondamentalmente tre: 1. Memorizzare la conoscenza 2. Applicare la conoscenza per risolvere problemi 3. Acquisire nuova conoscenza tramite l’esperienza
  • Calcolatore e Cervello Umano Un chip è più veloce di un singolo neurone del cervello: • 1 milione eventi/ms contro 1 evento/ms Però il cervello è composto da 100 miliardi di neuroni ognuno dei quali comunica con altri diecimila neuroni Il calcolatore è molto rapido e efficiente nel risolvere compiti in cui l’essere umano è in difficoltà Però è molto lento e inefficiente nel risolvere problemi che richiedano intuito o esperienza
  • Calcolatore e Cervello Umano Esiste un solo elemento di elaborazione (processore) che fa tutte le operazioni Il calcolatore deve essere programmato per svolgere un compitoMolti elementi dielaborazione (neuroni)lavorano allo stesso problemaIl cervello impara in baseall’esperienza o con l’aiuto diun insegnante
  • Reti Neurali BiologicheIl cervello è costituito dauna rete di neuroniAl singoloneurone, tramite dendriti esinapsi arrivano segnalielettrici dagli altri neuroniSe il segnale è al di sopradi una soglia il neuronegenera un segnale in uscitalungo l’assone
  • Reti Neurali Artificiali Le reti neurali artificiali sono sistemi di elaborazione ispirati al sistema nervoso degli esseri viventi I neuroni che compongono una rete neurale artificiale vengono raccolti in strati: 1. Strati di ingresso, contenenti solo i Strato Strato Strato di neuroni che ricevono direttamente segnali di Ingresso Nascosto Uscita provenienti dall’esterno della rete 2. Strati di uscita, contenenti solo i neuroni che hanno un canale di uscita verso l’esterno 3. Strati nascosti, che non sono né d’ingresso né d’uscita. I neuroni che compongono questi strati sono detti unità nascoste
  • Struttura di un nodo La rete neurale artificiale è costituita da semplici unità che simulano i neuroni (nodi)  Il singolo nodo riceve i segnali dai suoi collegamenti in ingresso e calcola un nuovo livello d’attivazione che invia lungo tutti i suoi collegamenti in uscita Il calcolo del valore di attivazione ai è composto da due componenti: 1 Componente lineare (funzione di ingresso), calcola la somma pesata dei valori dingresso del nodo 2 Componente non lineare g(funzione di attivazione), trasforma la somma pesata nel valore finale ai
  • Funzioni di Attivazione “g”La funzione a gradino hauna soglia t che individual’ingresso pesato minimo chepermetta al neurone di inviarel’impulsoNella funzione di segno, invece diavere una soglia t, si consideraper ciascun nodo un ingressoaggiuntivo, la cui attivazione èfissata a -1; il peso extraassociato ricopre il ruolo dellasoglia t, in questo modo tutte leunità possono avere una sogliafissata a 0
  • Architettura di una Rete Neurale La connessione e la distribuzione dei nodi dipende dal tipo di Architettura di rete neurale a cui appartengono Le Architetture possono essere ragruppate in due classi: • Rete alimentata in avanti (feed-forward): I collegamenti sono in un’unica direzione e non ci sono cicli Il modello più famoso è il Percettrone • Reti ricorrenti con reazione (feed-back): L’attivazione può essere ripassata all’indietro Uno dei modelli più noti sono le Reti di Hopfield
  • Il Percettrone Il Percettrone sta alla base delle reti neurali; nasce da un’idea di Rosenblatt (1962) e con esso si cerca di simulare il funzionamento di un singolo neurone; viene utilizzato come sinonimo di rete alimentata in avanti ad uno strato (nessuna unità nascosta) Nel caso più basilare ha solo 2 input e un output: • Ognuno degli input, x1 e x2 ha un peso corrispondente, quindi l’output del percettrone sarà una funzione semplicemente data dalla somma ponderata degli input: y = f(x1*w1+x2*w2)
  • Le Reti di Hopfield Secondo questo modello ogni nodo può comunicare con tutti o almeno con una grande maggioranza degli altri neuroni non solo nello strato immediatamente successivo, ma potenzialmente in qualunque strato Tutte le unità sono sia d’ingresso che d’uscita La funzione di attivazione è la funzione segno e i livelli di attivazione possono essere solo ±1
  • L’Addestramento delle Reti I computer tradizionali non imparano dai propri sbagli Il cervello umano si La maggior parte delle reti neurali anche, attraverso l’aggiornamento dei pesi Una rete neurale addestrata è quindi una rete in cui i pesi delle connessioni sono stati fissati
  • Apprendimento Automatico Una definizione di tale concetto è stata formulata da Mitchell nel 1997: • “Un programma apprende dall’esperienza (E) rispetto ad una classe di problemi (T) e alla misura di performance (P), se la sua performance sui problemi in (T), così come misurata da (P), migliora con le esperienze in (E)” Esempio: Gioco degli Scacchi Paradigmi di Apprendimento Automatico: • Apprendimento non supervisionato (unsupervisedlearning) • Apprendimento supervisionato (supervisedlearning) • Apprendimento con rinforzo (reinforcementlearning)
  • Apprendimento non Supervisionato Esperienza E • È costituita da una serie di esempi raccolti di cui non sappiamo quasi nulla Problema T • Individuare qualcosa d’interessante Performance P • Dipende da quanto è interessante quello che è stato trovato  Esempio: Motori di ricerca
  • Apprendimento Supervisionato Esperienza E • Una serie di esempi che sono stati elaborati da un esperto, il supervisore • L’esperto o supervisore classifica gli esempi individuando un particolare fenomeno interessante Problema T • Estrarre dagli esempi una descrizione compatta del fenomeno descritto • La descrizione può essere successivamente sfruttata per fare delle previsioni sul fenomeno Performance P • Dipende da quanto accurata è la previsione su esempi non considerati dal supervisore  Esempio: Cartelle Cliniche “Pazienti affetti da Patologia”
  • Apprendimento per Rinforzo Il sistema agisce direttamente sul problema “per tentativi” Un istruttore “premia” o “punisce” il sistema attraverso un segnale numerico di rinforzo a seconda del comportamento istantaneo del sistema Esperienza E • Le esperienze che il sistema colleziona Problema T • È quello di ottenere quanto più rinforzo possibile Performance P • Dipende dalla quantità di rinforzo ottenuta  Esempio: Agente per il trading on-line
  • Applicazioni esistenti Reti Neurali Compressione dei dati Riconoscimento segnali Sonar Riconoscimento di caratteri Sistemi di guida automatica Analisi finanziarie Medicina
  • Vantaggi e Limiti delle Reti Neurali Vantaggi: • Le reti neurali sono in grado di risolvere problemi estremamente complessi per algoritmi tradizionali • Sono in grado di imparare • Lavorano in tempo reale • Ottengono risultati anche in presenza di dati complicati e imprecisi Limiti: • Sono “scatole nere”, i problemi vengono risolti, non capiti • È necessario disporre di un ampio numero di esempi per addestrarle
  • FINETesi di Laurea diGiuseppe Agabiti S