Le reti neurali sono un algoritmo utilizzato per risolvere problemi di natura complessa non facilmente codificabili, e sono una colonna portante del machine learning come viene inteso oggi.
Sono chiamate “reti neurali” perché il comportamento dei nodi che le compongono ricorda vagamente quello dei neuroni biologici. Un neurone riceve in ingresso segnali da vari altri neuroni tramite connessioni sinaptiche e li integra. Se l’attivazione che ne risulta supera una certa soglia genera un Potenziale d’Azione che si propaga attraverso il suo assone a uno o più neuroni.
Possiamo considerare una rete neurale come una scatola nera, con degli input, degli strati intermedi in cui “succedono le cose”, e degli output che costituiscono il risultato finale.
La rete neurale è composta da “unità” chiamate neuroni, arrangiati in strati successivi. ciascun neurone è tipicamente collegato a tutti i neuroni dello strato successivo tramite connessioni pesate. una connessione non è altro che un valore numerico (il “peso” appunto), che viene moltiplicato per il valore del neurone collegato.
Ciascun neurone somma i valori pesati di tutti i neuroni ad esso collegati e aggiunge un valore di bias. a questo risultato viene applicata una “funzione di attivazione“, che non fa altro che trasformare matematicamente il valore prima di passarlo allo strato successivo.
in questo modo, i valori di input vengono propagati attraverso la rete fino ai neuroni di output.
In conclusione, il fine ultimo è quello di regolare pesi e bias in modo da arrivare ad ottenere il risultato voluto. Per raggiungere questo obbiettivo si possono utilizzare diverse tecniche, una delle quali è il machine learning.
