Le reti neurali

823 views

Published on

Tesina di Samuele Zanella sulle reti neurali

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
823
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Le reti neurali

  1. 1. LE RETI NEURALI
  2. 2. INTRODUZIONE Tutti noi possediamo un computer I computer sono in grado di risolvere problemi molto complessi ed eseguire calcoli massicci in tempi molto brevi In generale sono ottimi per risolvere problemi descrivibili con un algoritmo
  3. 3. TUTTAVIA Non sono in grado di portare a termine compiti immediati per il cervello umano Riconoscimento di facce e suoni Compiti caratterizzati da grande variabilità e da disturbi È quasi impossibile elaborare un algoritmo
  4. 4. QUINDI Si usa un approccio diverso, cercando di imitare le meccaniche del cervello umano Paradigmi in grado di apprendere dall’esperienza e di adattarsi
  5. 5. IL CERVELLO UMANO Sistema estremamente complesso Formato da circa 100 miliardi di unità di calcolo elementari, i neuroni, strettamente interconnesse fra loro Unica rete processante, in cui le elaborazioni sono distribuite e avvengono parallelamente Capacità di apprendimento
  6. 6. IL NEURONE Cellule fondamentali con compito di ricevere, elaborare e ritrasmettere informazioni (impulsi nervosi) Si suddividono in neuroni sensori, motori e intermedi Composti da soma, dendriti, assone Connessi da sinapsi (eccitatorie o inibitorie)
  7. 7. STRUTTURA DI UN NEURONE
  8. 8. FUNZIONAMENTO NEURONE Gli impulsi raggiungono i dendriti e vengono portati nel corpo cellulare Viene effettuata una “somma algebrica” tra gli impulsi Se la somma supera la soglia di attivazione il neurone invia un impulso tramite l’assone
  9. 9. LE RETI NEURALI ARTIFICIALI Per imitare il funzionamento del cervello si usano le reti neurali artificiali Apprendono da dati sperimentali senza bisogno di algoritmi Modello black box Non si programma, ma si addestra
  10. 10. PARADIGMI DI APPRENDIMENTO Apprendimento supervisionato Apprendimento non supervisionato Apprendimento per rinforzo
  11. 11. I NEURONI ARTIFICIALI Come i loro corrispondenti biologici, hanno una parte dedicata all’ingresso, una all’elaborazione ed una alla trasmissione All’interno di una rete si suddividono in strati Tra ciascuno dei neuroni ci sono delle connessioni pesate affini alle sinapsi biologiche
  12. 12.  In base alla struttura di queste connessioni la rete può essere totalmente connessa o parzialmente connessa Le informazioni passano attraverso le connessioni e vengono elaborate In base al flusso delle informazioni la rete è feedforward o feedback
  13. 13. ESEMPIO
  14. 14. CARATTERISTICHE GENERALI Apprende tramite esempi Generalizza le soluzioni apprese (input affini) Prevede nuove soluzioni (input diversi) Lavora con dati soggetti a “rumore”
  15. 15. RETI NEURALI FEEDFORWARD Informazioni viaggiano sempre e solo da strato di ingresso verso strato di uscita Uno degli esempi più semplici è il percettrone, creato da Rosenblatt nel 1958 Consiste in un solo neurone con n ingressi ed una sola uscita
  16. 16. IL PERCETTRONE
  17. 17.  Ingressi rappresentati dalle variabili [x1,..,xn] Pesi rappresentati dalle variabili [w1,..,wn] Uscita rappresentata dalla variabile y Il percettrone è caratterizzato da una soglia di attivazione e da una funzione di attivazione
  18. 18. LA SOGLIA DEL PERCETTRONE Corrispondente dell’omonima biologica Ha lo scopo di abbassare il valore in ingresso alla funzione di attivazione Viene effettuata una somma pesata tra gli ingressi e successivamente viene sottratta la soglia La soglia è un parametro chiave del neurone
  19. 19. LA FUNZIONE DI ATTIVAZIONE Determina l’uscita in base agli ingressi Può essere di più tipi
  20. 20. FUNZIONE A SOGLIA
  21. 21. FUNZIONE LINEARE
  22. 22. FUNZIONE SIGMOIDE
  23. 23. L’ APPRENDIMENTO NELPERCETTRONE In generale l’output di una rete dipende dalla struttura della rete, dalla funzione di attivazione e dai pesi sinaptici I primi due parametri sono fissati all’inizio, quindi l’addestramento aggiusta l’ultimo Il paradigma più usato nel percettrone è l’apprendimento supervisionato
  24. 24.  Il percettrone viene inizializzato con pesi casuali e quindi sottoposto al training set Per ciascuno degli esempi del training set viene calcolato l’errore commesso L’errore viene usato per aggiustare i pesi della rete Per aggiustare i pesi si usa generalmente la delta rule
  25. 25. DELTA RULE Sia x l’insieme degli ingressi, y l’uscita del percettrone e t l’uscita del training set Si calcola l’errore della rete come: Per la delta rule, la variazione di ciascun peso sarà pari a:
  26. 26.  Il parametro η è detto tasso di apprendimento e determina la velocità con cui avviene l’apprendimento A ciascuno dei pesi si somma il corrispondente ∆w La delta rule modifica ciascun peso proporzionalmente all’errore commesso Esclude gli ingressi che non hanno contribuito all’errore
  27. 27.  Il processo viene ripetuto molte volte, fino a che la rete non commette un errore medio al di sotto di una certa soglia Dopo l’addestramento si procede alla fase di test con il test set per verificare la capacità di generalizzare della rete Per un corretto addestramento è necessario scegliere un training set corretto
  28. 28. APPLICAZIONI PRATICHE Le reti neurali artificiali attualmente trovano già impiego in diversi campi Sistemi OCR (Optical Character Recognition) Kurzweil 1000 e 3000, prodotti dalla Kurzweil Educational System
  29. 29. APPLICAZIONI PRATICHE Campo medico Utilizzate per la diagnosi e la prognosi individuale in particolari patologie (esofagite, sindrome dell’intestino irritabile, gastrite cronica) Reti neurali utilizzate specialmente per il grande numero di variabili che determinano la diagnosi di queste malattie
  30. 30. APPLICAZIONI PRATICHE Sono in corso studi per tecniche radiologiche per la cura del cancro e la diagnosi precoce dell’infarto miocardico acuto Sono utilizzate nella diagnosi precoce e nella prevenzione dell’Alzheimer
  31. 31. SIMULATORE DI RETI NEURALI Scritta in linguaggio Java e composta da 6 classi Simula reti feedforward a più strati con paradigma di apprendimento supervisionato e funzione di attivazione sigmoide Correzione dei pesi avviene tramite

×