Apprendimento non simbolico

Reti Neurali

Il disegno di queste unita' elementari e' ispirato, piu' o meno fedelmente, alle cellule nervose (neuroni), sia per quanto riguarda il modello di funzionamento, che per la topologia di connessione.

Nelle reti neurali, l'apprendimento viene ottenuto variando opportunamente la forza delle interconnessioni tra unita' elementari, in modo da "migliorare" il risultato della computazione rispetto ad un particolare insieme di stimoli.

Sono stati proposti numerosi modelli differenti di ANN, spesso utilizzati con successo in ambiti applicativi molto diversi, quali, ad esempio, la classificazione di elementi eterogenei, il riconoscimento di configurazioni, l'approsimazione di funzioni, l'ottimizzazione combinatoria.

Alcune possibile differenze tra le implementazini di ANN riguardano:

• apprendimento

si parla di apprendimento "supervisionato" quando gli esempi forniti sono  classificati da un "oracolo", rispetto alla loro appartenenza a qualche categoria.
Diversamente, l'apprendimento e' detto "non-supervisionato"
 
• attivazione

il funzionamento della rete puo' essere specifiato esattamente in modo "deterministico", oppure e' soggetto a distribuzioni di natura stocastica.
 
• topologia

se il tipo di connessione tra unita' permette meccanismi di retroazione (feed-back) la rete viene definita "ricorrente". In caso contrario,  si hanno reti "alimentate in avanti" (feed-forward)
 
• dinamica

la computazione puo' effettuata in un numero fissato di passi, come per le reti organizzate a livelli (multi-layer), oppure deve essere iterata per un numero imprecisato di volte, fino a raggiungere una condizione di stabilita'.
 
• dominio

I valori che l'uscita di una unita' possono essere di tipo discreto (es. {0,1}, {-1,1}), oppure l'output puo' essere di tipo contunuo,.