Reti neurali feedforward

Una rete neurale feedforward è il tipo più semplice di rete neurale artificiale. In questa architettura, i dati fluiscono in una sola direzione, dal livello di input al livello di output, senza tornare indietro.

Struttura di una rete neurale feedforward

Le reti feedforward sono costituite da:

• Livello di input: Riceve i dati grezzi.
• Livelli nascosti: Eseguono calcoli ed estraggono caratteristiche.
• Livello di output: Produce il risultato finale.

Ogni livello è completamente connesso al successivo.

Propagazione in avanti

La propagazione in avanti è il processo di passaggio dei dati attraverso la rete:

1. Gli input vengono moltiplicati per i pesi e sommati ai bias.
2. Vengono applicate funzioni di attivazione per introdurre la non linearità.
3. L'output viene calcolato e passato al livello successivo.

Costruire una semplice rete feedforward

Creiamo una semplice rete feedforward usando Python. La rete ha:

• 2 neuroni di input
• 1 livello nascosto con 3 neuroni
• 1 neurone di output

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Addestrare una rete neurale feedforward

L'addestramento consiste nel modificare pesi e bias per minimizzare l'errore:

1. Calcolare l'errore (la differenza tra i valori previsti e quelli effettivi).
2. Usare algoritmi di ottimizzazione come la discesa del gradiente per aggiornare i pesi.
3. Ripetere il processo per più iterazioni (epoche).

Vantaggi delle reti feedforward

Le reti feedforward sono:

• Semplici e facili da implementare.
• Efficaci per attività come la regressione e la classificazione di base.
• Efficienti dal punto di vista computazionale per dataset di piccole dimensioni.

Limiti delle reti feedforward

Le reti feedforward presentano alcuni svantaggi:

• Non hanno memoria per i dati sequenziali.
• Sono soggette all'overfitting con pochi dati di addestramento.
• Richiedono un'attenta regolazione degli iperparametri, come il learning rate.

Applicazioni nel mondo reale

Le reti feedforward vengono utilizzate per:

• Diagnosi medica: Prevedere le malattie in base ai sintomi.
• Rilevamento delle frodi: Identificare attività sospette nelle transazioni finanziarie.
• Previsione dei prezzi azionari: Stimare i futuri valori delle azioni.

Riepilogo e prossimi passaggi

In questa lezione abbiamo:

• Esplorato la struttura e il funzionamento delle reti neurali feedforward.
• Costruito una semplice rete feedforward usando Python.
• Discusso i vantaggi e i limiti di questa architettura.

Successivamente approfondiremo l'algoritmo di backpropagation, che consente alle reti neurali di apprendere efficacemente ottimizzando pesi e bias.