La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Reti Neurali Alessandro Mazzetti. Definizioni Reti Neurali, Neuronali, Neuroniche, Neuroinformatica, Paradigma Sub- simbolico, Connessionismo, Parallel.

Presentazioni simili


Presentazione sul tema: "Reti Neurali Alessandro Mazzetti. Definizioni Reti Neurali, Neuronali, Neuroniche, Neuroinformatica, Paradigma Sub- simbolico, Connessionismo, Parallel."— Transcript della presentazione:

1 Reti Neurali Alessandro Mazzetti

2 Definizioni Reti Neurali, Neuronali, Neuroniche, Neuroinformatica, Paradigma Sub- simbolico, Connessionismo, Parallel Distributed Processing Inizialmente: riprodurre le strutture nervose dei tessuti cerebrali su strumenti di calcolo Oggi: tecnologia alternativa di elaborazione dell'informazione.

3 Rete di neuroni biologici

4 La cellula neuronale

5 Cervello biologico Il cervello umano ha circa 10 bilioni di cellule nervose. Il numero di interconnessioni è stimato dell'ordine di un milione di miliardi Nell'uomo non sono presenti tipi diversi di neurone da quelli di altre specie animali

6 La Sinapsi

7 Lintelligenza biologica Il contenuto informativo del cervello è l'insieme dei valori di attivazione di tutti i neuroni. L'elaborazione dell'informazione è il flusso di segnali fra i vari neuroni che si eccitano e inibiscono a vicenda. La memoria è l'insieme delle sinapsi che formano addensamenti e rarefazioni nella rete neurale

8 Lelaborazione biologica La frequenza massima di trasmissione degli impulsi fra neuroni è bassa (100/sec) In un computer i segnali elettronici viaggiano a velocità migliaia di volte superiori. Cervello = meccanismo diffuso e parallelo di trasmissione dell'informazione L'elaborazione risiede in intere regioni del cervello piuttosto che in singole unità.

9 Differenze cervello - computer Computer : –elaborazione sequenziale nella CPU –memoria concentrata in unità separate (RAM). –anche il software separa i dati dall'algoritmo Cervello: –informazione distribuita su una moltitudine di unità elementari di per sé semplici –ogni unità opera in parallelo con le altre –non vi è netta distinzione fra memoria e calcolo

10 Storia McCulloch e Pitts: –individuazione delle funzioni computabili –equivalenza con la Macchina di Turing Donald Hebb: –apprendimento biologico = fenomeno sinaptico Rosenblatt costruì il perceptrone –impara a riconoscere immagini –teorema che garantisce la capacita' di apprendere –robustezza e flessibilita' tipica dei sistemi biologici

11 ...storia Minsky e Papert: –evidenziano i limiti e l'incapacita' di risolvere alcuni problemi banali anni 70 - sfiducia anni 80 - Rumelhart supera le limitazioni Kohonen formalizza rigorosamente Grossberg realizza applicazioni Hopfield definisce proprietà fisiche

12 Il neurone formale

13 Il meccanismo Il neurone viene eccitato da altri neuroni A[i] = j( W[i,j] * O[j] ) leccitazione 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

14 Funzione di trasferimento

15 Rete Neurale Artificiale

16 Modelli di Rete Neurale

17 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)

18 Multi-Level-Feed-Forward

19 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 linformazione è elaborata a pezzettini

20 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; =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

21 Due modalità duso Apprendimento: –dato input & output –trovare i pesi Esecuzione: –dato input e pesi –trovare loutput

22 Formule di apprendimento Hebbiano W[i,j] = * O[i] * O[j] Error propagation W[i,j] = * ( D[i] - O[i] ) * O[j]

23 Tipologie di apprendimento Supervisionato –il maestro dà sia input che output Non-supervisionato –il maestro dà solo linput In entrambi i casi la rete generalizza (riesce a trattare casi non imparati)

24 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)

25 Punti deboli delle reti neurali scarse capacità di calcolo scarse capacità logiche scarsa precisione incapacità di spiegare i risultati forniti

26 Esempio Imparare a lanciare un sasso per centrare un bersaglio

27 Topologia di rete

28 Conoscenza della rete

29 Apprendimento BACK-PROPAGATION Per ogni esempio –prova ad eseguirlo –calcola lerrore commesso –aggiusta i pesi del livello di output –propaga lerrore al livello inferiore –aggiusta i pesi del livello inferiore ripeti il tutto finché non commetti più errori

30 Esercizio Lanciare il programma SASSO.COM definire una topologia addestrare la rete provarla

31 Riassumendo... Le reti neurali sono una tecnologia "orizzontale Trovano applicazioni nell'industria, finanza, medicina, difesa, telecomunicazioni, assicurazioni...

32 Dove usarle? Non ha senso impiegare reti neurali dove i computer sono eccellenti (calcoli, basi di dati, word-processing,...) E 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

33 Campi dapplicazione riconoscimento/classificazione di immagini, testi, voce, segnali, patterns; filtri di rumore su segnali; sintesi di parlato; pianificazione/ottimizzazione; controllo di processo e di qualita'; supporto alle decisioni; analisi finanziaria; diagnostica medica e industriale; previsioni metereologiche; compressione/trasmissione di dati

34 Applicazioni Riconoscitore di caratteri manoscritti, in grado di riconoscere il 95% di un testo, a seconda della qualita' 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'aereoporto di New York, Los Angeles e S. Francisco (tecnica back propagation, controlla 10 valige al minuto, realizzato solo con prodotti commerciali).

35 Guida autonoma di veicoli


Scaricare ppt "Reti Neurali Alessandro Mazzetti. Definizioni Reti Neurali, Neuronali, Neuroniche, Neuroinformatica, Paradigma Sub- simbolico, Connessionismo, Parallel."

Presentazioni simili


Annunci Google