Rete neurale artificiale: differenze tra le versioni

Versione delle 23:51, 1 feb 2019

Versione delle 18:16, 14 feb 2019

Riga 157:

=== Mappe auto-organizzanti o reti SOM (''Self-Organizing Maps'') ===

{{vedi anche|Self-Organizing Map}}

Infine, un ultimo interessante tipo di rete è costituita dalla cosiddetta mappa auto-organizzante o rete SOM (''[[Self-Organizing Map]]''). Tale innovativo tipo di rete neurale è stata elaborata da [[Teuvo Kohonen]] dell'Università Tecnologica di [[Helsinki]]; il suo algoritmo d'apprendimento è senza dubbio una brillante formulazione di apprendimento non supervisionato, e ha dato luogo a un gran numero di applicazioni nell'ambito dei problemi di classificazione. Una mappa o rete SOM è basata essenzialmente su un reticolo o griglia di neuroni artificiali i cui pesi sono continuamente adattati ai vettori presentati in ingresso nel relativo insieme di addestramento. Tali vettori possono essere di dimensione generica, anche se nella maggior parte delle applicazioni essa è piuttosto alta. Per ciò che riguarda le uscite della rete, al contrario, ci si limita di solito ad una dimensione massima pari a tre, il che consente di dare luogo a mappe [[Bidimensionalità|2D]] o [[Tridimensionalità|3D]].

In termini più analitici, l'algoritmo può essere agevolmente descritto, come accennato, nei termini di un insieme di neuroni artificiali, ciascuno con una precisa collocazione sulla mappa rappresentativa degli ''output'', che prendono parte ad un processo noto come ''winner takes all'' ("[[Il vincitore piglia tutto]]"), al termine del quale il nodo avente un vettore di pesi più vicino ad un certo ''input'' è dichiarato vincitore, mentre i pesi stessi sono aggiornati in modo da avvicinarli al vettore in ingresso. Ciascun nodo ha un certo numero di nodi adiacenti. Quando un nodo vince una competizione, anche i pesi dei nodi adiacenti sono modificati, secondo la regola generale che più un nodo è lontano dal nodo vincitore, meno marcata deve essere la variazione dei suoi pesi. Il processo è quindi ripetuto per ogni vettore dell'insieme di ''training'', per un certo numero, usualmente grande, di cicli. Va da sé che ingressi diversi producono vincitori diversi.

Riga 230:

{{Apprendimento automatico}}

{{Portale|ingegneria|statistica|informatica}}

{{Controllo di autorità}}

{{Portale|ingegneria|statistica|informatica}}

[[Categoria:Reti neurali artificiali| ]]