[Nadia Plamadeala]

Le reti neurali artificiali mirano a imitare il cervello umano.

Sono progettate per replicare il meccanismo di apprendimento del cervello umano e dare un risultato basato su ciò che hanno imparato dai dati storici, come il cervello umano trae conclusioni dalle esperienze passate. L’unità nel cervello che elabora e trasmette le informazioni è chiamata “neurone”. Ogni neurone nel cervello prende le informazioni come input, le elabora e invia l’output al neurone successivo.

Ma le RNA non hanno un passato. Allora, come imparano?

Dai dati di addestramento che vengono loro forniti, “allenandole” a capire e riconoscere i modelli per arrivare all’output.

Le reti neurali prendono l’input e passano i dati al livello successivo, di elaborazione, che esegue diversi calcoli matematici e cerca di trasformare l’input in output sulla base di diversi parametri. Una volta raggiunto il livello ottimale di trasformazione, diciamo che la rete neurale è pronta.

Di conseguenza, per la maggior parte degli esperti di Machine Learning, l’ottimizzazione di questo strato è fondamentale. È proprio qui che si definisce la complessità, la struttura e la profondità della rete neurale. Poiché questo strato è complesso e variabile, è spesso chiamato “strato nascosto”.