Rete Neurale Artificiale (ANN)
Nome: Rete Neurale Artificiale
Sigla: ANN
Anno Di Creazione: 1957
Pubblicazione: The perceptron: A probabilistic model for information storage and organization in the brain
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.
Diagramma
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. Ecco come funziona il perceptron seguendo lo schema fornito:
- 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.
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.
