Il voto finale dipenderà da:
L’espressione reti neurale va ad identificare un’ampia classe di modelli computazionali più o meno ispirati al sistema nervoso centrale e ai suoi elementi di base. Possiamo, infatti, individuare due differenti tipologie di reti neurali:
Nota che:
La classificazione prima introdotta, però, è vera solo in prima approssimazione, in quanto molto spesso sono presenti modelli di reti neurali che hanno sia caratteristiche per appartenere alla prima classe sia caratteristiche per appartenere alla seconda classe.
In questo corso faremo riferimento principalmente a reti neurali artificiali che ricadono nella seconda classe.
Lo studio delle reti neurali può coinvolgere differenti discipline, quali:
Alcune delle principali problematiche che possono essere affrontate utilizzando le reti neurali sono le seguenti:
Le reti neurali, in maniera molto sintetica (e sottolineo molto), posso essere caratterizzate dalla seguente proprietà:
Sono un sistema di calcolo distribuito in grado di
apprendere nuovi comportamenti sulla base di input esterni.
Le reti neurali, in quanto sistemi in grado di apprendere, si inseriscono in un più ampio campo di ricerca:
Apprendimento automatico delle macchine
(in inglese, machine learning)
Esistono, quindi, approcci diversi dalle reti neurali per risolvere gli stessi (o simili) problemi, la cui caratteristica principale è sempre l’apprendimento sulla base di stimoli esterni.
Nell’ambito del machine learning, alcune “tecniche” che studieremo sono:
Molti dei temi tipici dell’approccio con reti neurali sono, naturalmente, anche presententi nel machine learning, ad esempio:
Nella seconda parte del corso (Mod.B) tali temi, allora saranno ripresi ed inquadrati in un contesto più generale.
In più saranno affrontate problematiche più specifiche al machine learning.
1. Informazioni generali sul corso
3. Un modello computazionale del neurone biologico
4. Possibili problemi risolvibili con Reti Neurali
5. Problemi di Classificazione ed approccio probabilistico
7. Capacità rappresentativa delle reti neurali - parte prima
8. Capacità rappresentativa delle reti neurali - Parte seconda
9. Apprendimento e generalizzazione
10. Discesa del gradiente e backpropagation
11. Back-Propagation
13. Interpretazione output di una rete neural feed-forward
14. Complessità della rete, generalizzazione e termini di regolari...
15. Cross-entropy e variazioni sulla discesa del gradiente
16. Verso le reti neurali RBF: interpolazione esatta.
17. Reti neurali RBF
18. Addestramento di una rete RBF
19. Parametri delle funzioni a base radiale
20. Un primo modello di reti neurali ricorrenti: formalismo di Caia...
Mod.A
Christopher M. Bishop, Neural Networks for pattern Recognition, ed. Oxford University Press, (1995).
Steven H. Strogatz, Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry and Engineering, ed. Westview Press, 1994.
Mod.B
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer (2006).