Corso di Reti Neurali per il Machine Learning: Architettura delle reti neurali

Architettura delle Reti Neurali

🧠 1. Il Neurone Artificiale e le Funzioni di Attivazione

Il neurone artificiale riceve input (x), li moltiplica per pesi (w), aggiunge un bias (b) e applica una funzione di attivazione:

y = f(∑(xᵢ * wᵢ) + b)

Funzioni di attivazione comuni:

• 🔹 ReLU → f(x) = max(0,x)
• 🔹 Sigmoide → Classificazione binaria
• 🔹 Tanh → Utilizzata in RNN
• 🔹 Softmax → Classificazione multiclasse

🏗️ 2. Architettura a Strati e Tipi di Reti

Ogni rete è composta da uno strato di input, uno o più strati nascosti e uno strato di output.

Tipi principali:

• 🧱 Perceptron – rete semplice, un solo strato
• 🧠 MLP – rete profonda con più strati
• 🖼️ CNN – per immagini (strati convoluzionali)
• 🎵 RNN – per testi, audio e sequenze
• 🌐 Transformer – per NLP e LLM (es. GPT)

⚙️ 3. Pesi, Bias e Grafo Computazionale

• ⚖️ Pesi: numeri appresi dal modello
• ➕ Bias: costanti per i neuroni
• 🔁 Backpropagation: aggiorna i pesi per ridurre l’errore
• 📊 Grafo computazionale: mappa delle operazioni

🧰 4. Introduzione a TensorFlow e PyTorch

Framework	Caratteristiche	Ideale per
PyTorch	Grafi dinamici, intuitivo	Ricerca e prototipazione
TensorFlow	Grafi statici, deployment	Produzione e scalabilità

🧪 LAB – Costruzione rete per classificazione (Iris Dataset)

Obiettivo: costruire una rete con un input di 4 feature, un hidden layer e 3 classi di output.

• 📚 Dataset: Iris (Setosa, Versicolor, Virginica)
• 📐 Input: 4 neuroni | Hidden: 10 neuroni (ReLU) | Output: 3 neuroni (Softmax)
• ⚙️ Framework: PyTorch o TensorFlow

Esempio in PyTorch:

class IrisNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(4, 10)
        self.fc2 = nn.Linear(10, 3)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)
  

📚 Letture e risorse consigliate

• Neural Networks and Deep Learning – Nielsen
• Tutorial Ufficiali PyTorch
• DeepLearning.ai – Andrew Ng

✅ Conclusione

Hai appreso le basi teoriche e pratiche delle reti neurali.
Ora sei pronto per esplorare l’ottimizzazione dei modelli e il fine-tuning nei prossimi moduli!