Esistono molti tipi di reti neurali che sono differenziati sulla base di alcune caratteristiche fondamentali:

- tipo di utilizzo;

- tipo di apprendimento (supervisionato/non supervisionato);

- algoritmo di apprendimento;

- architettura dei collegamenti.

La divisione fondamentale è quella relativa al tipo di apprendimento che può essere supervisionato o non supervisionato: nel primo caso si addestra la rete con degli esempi che contengono un input e l 'output associato desiderato, mentre nel secondo caso la rete deve essere in grado di estrarre delle informazioni di similitudine tra i dati forniti in input (senza associazioni con output desiderati) al fine di classificarli in categorie. Dal punto di vista del tipo di utilizzo possiamo distinguere tre categorie basilari:

- memorie associative;

- simulatori di funzioni matematiche complesse(e non conosciute);

- classificatori.

MEMORIE ASSOCIATIVE: possono apprendere associazioni tra patterns (insieme complesso di dati come l insieme dei pixels di una immagine) in modo che la presentazione di un pattern A dia come output il pattern B anche se il pattern A è impreciso o parziale(resistenza al rumore). Esiste anche la possibilità di utilizzare la memoria associativa per fornire in uscita il pattern completo in risposta ad un pattern parziale in input.

SIMULATORI DI FUNZIONI MATEMATICHE: sono in grado di comprendere la funzione che lega output con input in base a degli esempi forniti in fase di apprendimento. Dopo la fase di apprendimento, la rete è in grado di fornire un output in risposta ad un input anche diverso da quelli usati negli esempi di addestramento. Ne consegue una capacità della rete di interpolazione ed estrapolazione sui dati del training set. Tale capacità è facilmente verificabile addestrando una rete con una sequenza di dati input/output proveniente da una funzione nota e risulta, invece, utile proprio per il trattamento e la previsione di fenomeni di cui non sia chiaro matematicamente il legame tra input e output. In ogni caso la rete si comporta come una "black box", poiché non svela in termini leggibili la funzione di trasferimento che è contenuta al suo interno. Di questo tipo fa parte la rete a retropropagazione dell’ errore o error back propagation che è quella attualmente più utilizzata per efficacia e flessibilità.

CLASSIFICATORI: con essi è possibile classificare dei dati in specifiche categorie in base a caratteristiche di similitudine. In questo ultimo tipo di rete esiste il concetto di apprendimento non supervisionato o "autoorganizzante", nel quale i dati di input vengono distribuiti su categorie non predefinite . L’algoritmo di apprendimento di una rete neurale dipende essenzialmente dal tipo di utilizzo della stessa , così come l architettura dei collegamenti. Le reti multistrato prevedono ad esempio l algoritmo a retropropagazione dell’ errore o sono addestrate tramite algoritmi genetici. I classificatori normalmente derivano dall’architettura delle mappe autorganizzanti di Kohnen. Esistono diverse regole di base per l'apprendimento ma sono sempre in fase di studio nuovi paradigmi: quello delle reti neurali è un campo in cui c è ancora molto da inventare e da capire. Questo volume non vuole certamente coprire l'intero panorama delle problematiche, delle applicazioni e dei paradigmi delle reti neurali ma vuole avvicinare il lettore ad una promettente tecnologia analizzando i paradigmi di rete più utilizzati con il supporto di simulazioni software contenute in versione eseguibile su dischetto e listati o suggerimenti per i programmatori che vogliano cimentarsi nella realizzazione di simulazioni proprie.

Luca Marchese

Successivo: Caratteristiche generiche

Sommario: Indice