Corso sulla Struttura dell’Intelligenza Artificiale: 3 Progettare e addestrare un mini-modello

Progettare e addestrare un mini-modello

🎯 Obiettivo del modulo

Comprendere e sperimentare tutte le fasi necessarie per costruire e addestrare un modello di intelligenza artificiale semplice ma completo, utilizzando una rete neurale di tipo MLP (Multi-Layer Perceptron). Il modulo guida passo dopo passo nella realizzazione di un mini-engine per il training, includendo anche tecniche di miglioramento delle prestazioni come la normalizzazione, il dropout e l’early stopping. L’attività pratica culmina nell’allenamento di una mini-AI su dataset personalizzati.

📌 Contenuti dettagliati

🔧 Architettura MLP (Multi-Layer Perceptron)

• Cos’è un MLP e perché è utile per problemi di classificazione e regressione.
• Struttura base: input layer, hidden layer(s), output layer.
• Attivazioni (ReLU, sigmoid, softmax) e funzione di output in base al compito.
• Numero di neuroni e strati: come sceglierli e con quali criteri.

⚙️ Costruzione dell’engine di training

• Forward pass: calcolo dell’output predetto dato l’input.
• Loss function: scelta della funzione di perdita (MSE, cross-entropy) in base al tipo di compito.
• Backward pass: calcolo dei gradienti tramite retropropagazione.
• Ottimizzazione: aggiornamento dei pesi con gradient descent, SGD o Adam.

🧪 Tecniche per migliorare l’addestramento

• Normalizzazione: scaling degli input (es. MinMax, Z-score) per velocizzare la convergenza.
• Dropout: disattivazione casuale di neuroni durante il training per evitare overfitting.
• Early stopping: interruzione automatica dell’addestramento quando non migliora più la validazione.

📊 Metriche e validazione

• Accuracy, precision, recall, F1-score: come misurarle e quando usarle.
• Divisione in training/validation/test set.
• Visualizzazione delle curve di loss e accuratezza.

🧪 Laboratorio pratico – Allenare una mini-AI

Obiettivo: Costruire e addestrare una rete neurale MLP da zero (senza usare librerie avanzate come TensorFlow o PyTorch) su un dataset a scelta.

Dataset consigliati:

• Classificazione emoji: data una parola o frase, predire l'emoji più coerente.
• MNIST-like (cifre disegnate): classificazione di immagini semplici.
• Sentiment Analysis: valutare se un testo è positivo o negativo.

Fasi del laboratorio:

1. Definizione del dataset personalizzato.
2. Preprocessing dei dati e normalizzazione.
3. Costruzione della rete MLP in Python o pseudocodice.
4. Definizione delle funzioni di forward, loss e backward.
5. Implementazione dell’ottimizzazione (SGD o Adam).
6. Aggiunta di dropout e early stopping.
7. Addestramento e monitoraggio della rete.
8. Valutazione delle prestazioni e visualizzazione dei risultati.

🧠 Competenze acquisite

• Progettare una rete neurale MLP funzionale da zero.
• Comprendere a fondo il processo di addestramento e ottimizzazione.
• Saper applicare tecniche di regolarizzazione e metriche di validazione.
• Allenare un modello su dati reali e interpretarne le performance.