Anteprima
Vedrai una selezione di 8 pagine su 35
Ingegneria della conoscenza - le reti neurali Pag. 1 Ingegneria della conoscenza - le reti neurali Pag. 2
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 6
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 11
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 16
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 21
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 26
Anteprima di 8 pagg. su 35.
Scarica il documento per vederlo tutto.
Ingegneria della conoscenza - le reti neurali Pag. 31
1 su 35
D/illustrazione/soddisfatti o rimborsati
Disdici quando
vuoi
Acquista con carta
o PayPal
Scarica i documenti
tutte le volte che vuoi
Estratto del documento

Il neurone formale

Il meccanismo

  • Il neurone viene "eccitato" da altri neuroni
  • A[i] = W[i,j] * O[j] )Σj
  • L'eccitazione viene "trattenuta" all'interno dell'unità fino ad un certo livello di soglia, oltre il quale l'unità si "scarica"
  • O[i] = T( A[i] )
  • E a sua volta va ad eccitare altri neuroni

Funzione di trasferimento

Rete Neurale Artificiale

Modelli di Rete Neurale

Teorema di Hecht-Nielsen

Una qualsiasi funzione Y=F(X) può essere computata con elevata accuratezza da una rete neurale non ricorrente a soli tre livelli avente un opportuno numero di unità (anche molto elevato) nel livello intermedio (purtroppo non dice come definire i pesi)

Multi-Level-Feed-Forward

Due principali caratteristiche

  • Resistenza al rumore
    • Input incerto, incompleto o leggermente errato
    • Output distorto proporzionalmente
  • Resistenza al degrado
    • Guasti o parti difettose (reti hardware)

output distorto proporzionalmente

Una rete neurale non ha "colli di bottiglia", l'informazione è elaborata "a pezzettini"

Come si programma una rete neurale?

  • Una rete neurale NON si programma
  • La si addestra
  • Impara da sola da esempi

Imparare il concetto di somma: 5+3=8; 24+1329=1353; 1+17=18;...

Dopo aver "osservato" un numero sufficiente di somme, la rete avrà imparato, quindi sarà in grado di eseguire anche somme di numeri mai visti prima, come ad esempio 37+9

Due modalità d'uso

  • Apprendimento:
    • dato input & output
    • trovare i pesi
  • Esecuzione:
    • dato input e pesi
    • trovare l'output

Formule di apprendimento

  • Hebbiano = * O[i] * O[j]ΔW[i,j] ∈
  • Error propagation = * ( D[i] - O[i] ) * O[j]ΔW[i,j] ∈

Tipologie di apprendimento

  • Supervisionato
    • il maestro dà sia input che output
  • Non-supervisionato
    • il
maestro dà solo l'input In entrambi i casi la rete generalizza (riesce a trattare casi non imparati) Punti forti delle reti neurali: - capacità di associazione (fare analogie, trovare similarità) - autoapprendimento - capacità di generalizzazione - resistenza al rumore e al degrado - familiarità con gli eventi più frequenti - velocità (parallelismo) Punti deboli delle reti neurali: - scarse capacità di calcolo - scarse capacità logiche - scarsa precisione - incapacità di spiegare i risultati forniti Esempio: Imparare a lanciare un sasso per centrare un bersaglio Topologia di rete: Conoscenza della rete Apprendimento: BACK-PROPAGATION - Per ogni esempio: - prova ad eseguirlo - calcola l'errore commesso - aggiusta i pesi del livello di output - propaga l'errore al livello inferiore - aggiusta i pesi del livello inferiore - ripeti iltutto finché non commetti più errori Esercizio • Lanciare il programma SASSO.COM • definire una topologia • addestrare la rete • provarla Riassumendo... • Le reti neurali sono una tecnologia "orizzontale" • Trovano applicazioni nell'industria, finanza, medicina, difesa, telecomunicazioni, assicurazioni... Dove usarle? • Non ha senso impiegare reti neurali dove i computer sono eccellenti (calcoli, basi di dati, word-processing,...) • È opportuno adottarle dove i computer falliscono: – dove ci sono informazioni incomplete, vaghe, contradditorie, distorte, imprecise – dove manca un algoritmo adeguato (apprendimento) – dove la velocità richiede parallelismo Campi d'applicazione • riconoscimento/classificazione di immagini, testi, voce, segnali, patterns; • filtri di rumore su segnali; • sintesi di parlato; • pianificazione/ottimizzazione; • controllo di processo e di

Qualità:

  • Supporto alle decisioni
  • Analisi finanziaria
  • Diagnostica medica e industriale
  • Previsioni metereologiche
  • Compressione/trasmissione di dati

Applicazioni:

  • Riconoscitore di caratteri manoscritti, in grado di riconoscere il 95% di un testo, a seconda della qualità della calligrafia.
  • Autenticatore di firme, i cui casi di falso allarme ammontano finora al 4%
  • Rivelatore di carte di credito rubate (Chase Manhattan Bank)
  • Rivelatore di esplosivi in servizio dal 1988 presso l'aeroporto di New York, Los Angeles e S. Francisco (tecnica back propagation, controlla 10 valige al minuto, realizzato solo con prodotti commerciali)
Dettagli
Publisher
A.A. 2012-2013
35 pagine
SSD Ingegneria industriale e dell'informazione ING-INF/05 Sistemi di elaborazione delle informazioni

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher Menzo di informazioni apprese con la frequenza delle lezioni di Ingegneria della conoscenza e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Università degli Studi dell' Insubria o del prof Mazzetti Alessandro.