Il documento presenta una tesi di laurea sull'intelligenza artificiale, evidenziando le differenze tra il funzionamento del cervello umano e dei calcolatori nell'apprendimento e nella risoluzione dei problemi. Viene descritta la struttura delle reti neurali biologiche e artificiali, nonché i vari paradigmi di apprendimento automatico. Inoltre, si discutono le applicazioni, i vantaggi e i limiti delle reti neurali nel risolvere problemi complessi.

1. UNIVERSITÀ DEGLI STUDI DI PERUGIA
FACOLTÀDIECONOMIA
Corso di Laurea in Statistica e Informatica per
la Gestione delle Imprese
Prova Finale
Apprendimento Automatico e Reti
Neurali
Intelligenza Artificiale
Relatore
Prof.ssa Valentina Poggioni
Laureando
Giuseppe Agabiti S

2. 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

3. 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

4. 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 di
elaborazione (neuroni)
lavorano allo stesso problema
Il cervello impara in base
all’esperienza o con l’aiuto di
un insegnante

5. Reti Neurali Biologiche
Il cervello è costituito da
una rete di neuroni
Al singolo
neurone, tramite dendriti e
sinapsi arrivano segnali
elettrici dagli altri neuroni
Se il segnale è al di sopra
di una soglia il neurone
genera un segnale in uscita
lungo l’assone

6. 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

7. 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 d'ingresso del nodo
2 Componente non lineare g(funzione di attivazione), trasforma la somma
pesata nel valore finale ai

8. Funzioni di Attivazione “g”
La funzione a gradino ha
una soglia t che individua
l’ingresso pesato minimo che
permetta al neurone di inviare
l’impulso
Nella funzione di segno, invece di
avere una soglia t, si considera
per ciascun nodo un ingresso
aggiuntivo, la cui attivazione è
fissata a -1; il peso extra
associato ricopre il ruolo della
soglia t, in questo modo tutte le
unità possono avere una soglia
fissata a 0

9. 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

10. 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)

11. 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

12. 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

13. 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)

14. 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

15. 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”

16. 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

17. Applicazioni esistenti Reti
Neurali
 Compressione dei dati
 Riconoscimento segnali Sonar
 Riconoscimento di caratteri
 Sistemi di guida automatica
 Analisi finanziarie
 Medicina

18. 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

19. FINE
Tesi di Laurea di
Giuseppe Agabiti S