Reti neurali: Differenza tra apprendimento supervisionato e non supervisionato

Le reti neurali nascono in informatica dall’idea di poter riprodurre alcune delle funzioni e capacità del cervello umano costituito da migliaia di neuroni, paragonabili ai nodi di una rete. L’area di applicazione delle reti neurali riguarda principalmente il riconoscimento di pattern e la classificazione, dove dato un input la rete è in grado di analizzarlo e produrre un output che corrisponda ad una determinata categorizzazione.
Questa rete può presentare moltissime interconnessioni tra i nodi dove lo schema tipico prevede la presenza di nodi input dove si trovano i dati da elaborare, i nodi intermedi che costituiscono il cuore della rete ed i nodi di output che hanno il ruolo di comunicare all’esterno i risultati del calcolo che la struttura ha effettuato. Ogni passaggio tra un nodo e l’altro della rete neurale è caratterizzato dall’elaborazione di più input che mediante un sistema di pesi contribuisce in maniera più o meno determinante alla formazione dell’output.

L’apprendimento di una rete neurale può avvenire utilizzando diversi algoritmi che permettano di creare una rappresentazione interna dei dati, che porti alla creazione di una classificazione degli input con cui elaborare le risposte in uscita. Possiamo dividere gli algoritmi di apprendimento in due grandi categorie:

1. Gli algoritmi ad apprendimento supervisionato (supervised learning): in questo caso disponendo di un insieme di dati per l’addestramento (training set), la rete può imparare a definire le relazioni che li lega. Successivamente la rete è addestrata mediante un algoritmo (tipicamente l’algoritmo backpropagation) il quale usa tali dati allo scopo di modificare i pesi ed altri parametri della rete stessa in modo da minimizzare l’errore di previsione. L’obbiettivo finale dell’apprendimento supervisionato è una previsione quanto più possibile veritiera, basandosi su un numero limitato di esempi.
2. Gli algoritmi ad apprendimento non supervisionato (unsupervised learning): si basano su algoritmi di addestramento che modificano i pesi della rete facendo riferimento ad un insieme di dati che includono le sole variabili d’ingresso, individuando opportuni cluster facendo uso di dati topologici o probabilistici. L’apprendimento non supervisionato è anche impiegato per tecniche di comprensione dei dati.

Infine è necessario dire che il tipo di rete da utilizzare ed il relativo impiego dipende dal problema che si vuole analizzare e l’obbiettivo che si vuole raggiungere.