Apprendimento: Regola “Delta” Presentazione di un insieme di coppie di pattern di input e di output desiderati Attivazione della rete: il vettore di input genera un vettore di output Confronto fra questo vettore ed il vettore di output desiderato I pesi vengono modificati secondo la regola: wij (d j o j )ii Funzioni di attivazione Sia N net wi si (Input netto) i 0 Funzione a soglia 1 Se net > soglia A 0 altrimenti Funzione “logistica” (derivabile) 1 A 1 e knet 0<A<1 Esempio n. 1 Discriminazione fra mammiferi e non mammiferi input Tre domande: 1) Vive sulla terraferma? 2) Depone le uova? 3) È carnivoro? Determino gli esempi con le risposte corrette: 1 2 3 output Cane Mucca Gambero Balena Pappagallo 1 1 0 0 1 0 0 1 0 1 1 0 0 0 0 1 1 0 1 0 Aquila Orca 1 0 1 0 1 1 0 1 NetManager.exe 3 input 1 output TrsEditor.exe 5 pattern NetTrainer.exe Esempio n. 2 localizzazione di una lettera Griglia 5x5 3 posizioni della T: 25 input 3 output Output input Alto 1 0 0 medio 0 1 0 basso 0 0 1 NetManager.exe 25 input 3 output TrsEditor.exe 6 pattern NetTrainer.exe Generalizzazione: codifica locale e distribuita locale distribuita 1 2 1 Figura con spigoli 2 Figura chiusa Discesa del Gradiente: i minimi locali Errore w2 w1 Errore w1 Minimo assoluto Rete neurale a 2 strati: l’errore arriva a 0 e la procedura si ferma Rete neurale a 3 Strati: nel minimo locale l’errore w2 Minimo locale non scende più, la procedura si ferma, ma la rete non ha appreso Minimo assoluto Algoritmi Genetici (GA) Un nuovo metodo di addestramento per reti neurali (ma non solo) Non è necessario conoscere gli output corretti da associare agli input La Vita Artificiale: la selezione naturale simulata nel computer Un esempio: Criptismo Scaricabile sul sito: http://gral.ip.rm.cnr.it/software Simulazioni di vita artificiale Output motori (Es. muscoli) Rete neurale ambiente Input sensoriali (Es. visione) Il funzionamento dei GA Gli algoritmi genetici sono fondati sul concetto di RIPRODUZIONE SELETTIVA Ripetute interazione fra l’organismo e l’ambiente Generazione di una popolazione casuale di organismi Misura della competenza degli organismo nel loro ambiente (compito) Selezione dei migliori organismi Meccanismi di riproduzione e mutazione del genotipo Meccanismi di riproduzione Mutazione Piccola modifica casuale di alcuni pesi sinaptici scelti a caso (riproduzione asessuata) Crossover Scambio di materiale genetico fra i genitori (riproduzione sessuata) Criptismo in dettaglio Genoma costituito da: Pesi sinaptici Gene che determina il colore I pesi sinaptici sono numeri reali Riproduzione asessuata Considerazioni finali sui GA Ciò che si ottiene con i GA è una forma di “adattamento” e non di “apprendimento” L’apprendimento è orientato all’acquisizione di qualcosa L’adattamento non ha un obiettivo Gli organismi artificiali non imparano nulla durante la vita