Wiki AI - Contributi dell'utente [it]

Rete Neurale Artificiale (ANN)

2024-04-11T15:13:09Z

Ilaria Maserati: /* Paper */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il Perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il Perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

===Funzionamento e Capacità di Apprendimento===
Il Perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del Perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

===Diagramma Perceptron===
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il Perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al Perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del Perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il Perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del Perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del Perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il Perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il Perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1957)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:08:41Z

Ilaria Maserati: /* Paper */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il Perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il Perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

===Funzionamento e Capacità di Apprendimento===
Il Perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del Perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

===Diagramma Perceptron===
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il Perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al Perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del Perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il Perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del Perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del Perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il Perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il Perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1957)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:08:12Z

Ilaria Maserati: /* Memoria e Rappresentazione dell'Informazione */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il Perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il Perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

===Funzionamento e Capacità di Apprendimento===
Il Perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del Perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

===Diagramma Perceptron===
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il Perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al Perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del Perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il Perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del Perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del Perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il Perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il Perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:06:47Z

Ilaria Maserati:

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il Perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il Perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

===Funzionamento e Capacità di Apprendimento===
Il Perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del Perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

===Diagramma Perceptron===
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il Perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al Perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del Perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il Perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del Perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del Perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il Perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il Perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:06:01Z

Ilaria Maserati:

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il Perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il Perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e Capacità di Apprendimento==
Il Perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del Perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il Perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al Perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del Perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il Perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del Perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del Perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il Perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il Perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:03:40Z

Ilaria Maserati: /* Funzionamento e capacità di Apprendimento */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e Capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:02:02Z

Ilaria Maserati: /* Limitazioni e Potenzialità */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.

Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T15:00:07Z

Ilaria Maserati:

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.
Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

==Link==
===Paper===
[https://psycnet.apa.org/record/1959-09865-001 The perceptron: A probabilistic model for information storage and organization in the brain (1958)]: paper originale

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T14:56:29Z

Ilaria Maserati: /* Funzionamento e capacità di Apprendimento */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali''' come stimoli ambientali. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.
Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T14:54:13Z

Ilaria Maserati: /* Funzionamento e Capacità di Apprendimento */

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali'''. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.
Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T14:52:31Z

Ilaria Maserati:

Nome: [[Nome::Rete Neurale Artificiale]]

Sigla: [[Sigla::ANN]]

Anno Di Creazione: [[AnnoDiCreazione::1957]]

Pubblicazione: [[Pubblicazione::The perceptron: A probabilistic model for information storage and organization in the brain]]

{{#set: NomeInglese=Artificial Neural Network }}

Un software basato e strutturato sulla base di principi ispirati al funzionamento del cervello umano, che ha l'obiettivo di creare macchine che possano '''imparare''' come gli esseri umani. In questo senso, le reti neurali sono un campo dell'[[apprendimento automatico]].

==Intro==
Il paper ''"The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain"'' di Frank Rosenblatt propone il perceptron come modello teorico per '''l'elaborazione delle informazioni nel cervello'''. Questo modello mira a spiegare come gli organismi superiori riconoscano pattern, generalizzino, ricordino e pensino attraverso un sistema che simula il '''funzionamento dei neuroni'''. Rosenblatt esplora due questioni centrali: come le informazioni vengono memorizzate e come influenzano il riconoscimento e il comportamento.

==Memoria e Rappresentazione dell'Informazione==
Il lavoro presenta due teorie sulla memorizzazione dell'informazione sensoriale:
* '''Memoria Codificata''': Suggerisce che le informazioni vengano conservate come rappresentazioni o immagini codificate, permettendo una corrispondenza uno-a-uno tra stimoli sensoriali e pattern memorizzati.
* '''Rete di Interruttori''': Propone che il sistema nervoso centrale funzioni come una complessa rete di interruttori, dove nuovi collegamenti si formano in risposta agli stimoli, enfatizzando l'idea di apprendimento come formazione di nuovi percorsi neurali.

==Il Modello del Perceptron==
Il perceptron è presentato come un modello teorico per esplorare le '''proprietà fondamentali dei sistemi intelligenti''', facendo analogie con il '''sistema nervoso biologico''' senza soffermarsi troppo sulle specificità di organismi particolari. Questo modello utilizza la '''teoria della probabilità''' anziché la logica simbolica, distinguendosi dai modelli cerebrali precedenti che si basavano su algoritmi specifici.

==Funzionamento e Capacità di Apprendimento==
Il perceptron può apprendere attraverso '''rinforzi''' e ha la capacità di '''riconoscere e generalizzare pattern''' a partire da '''input sensoriali'''. Rosenblatt discute dettagliatamente la struttura e il funzionamento del perceptron, inclusa la sua capacità di formare '''connessioni''' basate su '''esperienze passate''' e di adattarsi a nuovi stimoli attraverso processi di '''rinforzo positivo e negativo'''.

==Diagramma Perceptron==
La foto mostra lo schema di un '''Perceptron''', che è la forma più semplice di una '''Rete Neurale Artificiale''', come definita dal suo inventore, '''Frank Rosenblatt'''. Di seguito come funziona il perceptron:
* '''Inputs''':
Gli input (''x0, x1, ..., xN'') sono i segnali in entrata al perceptron. L'input ''x0'' è solitamente l'input di bias che aiuta a spostare il limite decisionale del perceptron per migliorare l'apprendimento.
* '''Pesi (Weights)''':
Ogni input ha un peso associato (''w1, w2, ..., wN'') più un peso per il bias (''b''). Questi pesi sono parametri adattivi che il perceptron impara durante la fase di training. Il peso ''b'' è il bias che può essere visto come il peso associato a ''x0''.
* '''Funzione lineare''':
La funzione lineare è la somma ponderata degli input. Ogni input è moltiplicato per il proprio peso e poi tutti i risultati sono sommati insieme per formare il valore intermedio ''z''. La formula è ''z = x0b + x1w1 + x2w2 + ... + xNwN''.
* '''[[Funzione di attivazione|Funzione di attivazione]]''':
Il valore intermedio ''z'' viene passato attraverso una funzione di attivazione (indicata con la lettera ''f''). Nelle versioni originali del perceptron, questa era spesso una funzione a gradino, che trasforma l'input in un output binario. Se ''z'' è maggiore di una certa soglia, l'output ''y'' è 1, altrimenti è 0.
* '''Output''':
L'output ''y'' è il risultato del processo di attivazione e rappresenta la risposta del perceptron agli input forniti. Questo può essere il risultato finale o può essere utilizzato come input per un altro nodo in una rete più grande.

[[File:Perceptron.png|nessuno|miniatura|600x600px|Perceptron]]

==Limitazioni e Potenzialità==
Sebbene il perceptron mostri notevoli '''capacità di apprendimento e generalizzazione''', Rosenblatt riconosce le sue '''limitazioni''', in particolare la '''difficoltà nel gestire relazioni astratte''' o nel '''riconoscere pattern''' basati su '''relazioni spaziali''' o '''temporali complesse'''.
Rosenblatt conclude che il perceptron offre una base promettente per ulteriori ricerche sui sistemi cognitivi, sia biologici sia artificiali. Il suo lavoro evidenzia l'importanza della '''modellazione computazionale e probabilistica''' nell'elaborazione delle informazioni e pone le basi per '''futuri sviluppi nell'intelligenza artificiale''' e nella '''comprensione dei meccanismi di apprendimento''' e '''memoria nel cervello'''.

[[Category:architettura]]

__SHOWFACTBOX__

Rete Neurale Artificiale (ANN)

2024-04-11T13:52:05Z

Ilaria Maserati: /* Diagramma Perceptron */

Rete Neurale Artificiale (ANN)

2024-04-11T13:45:08Z

Ilaria Maserati: /* Diagramma Perceptron */

Rete Neurale Artificiale (ANN)

2024-04-11T13:44:46Z

Ilaria Maserati: /* Diagramma Perceptron */

Rete Neurale Artificiale (ANN)

2024-04-11T13:44:16Z