Una guida illustrata e intuitiva alle Reti Neurali
Se hai letto i miei articoli precedenti, saprai cosa accadrà dopo. In questa parte di Internet, prendiamo concetti dal suono complesso e li rendiamo divertenti e divertenti illustrandoli. E se non hai letto i miei articoli precedenti, ti consiglio vivamente di iniziare con la mia serie di articoli che trattano il nozioni di base dell’apprendimento automatico perché scoprirai che gran parte del materiale trattato è rilevante qui.
Oggi affronteremo la parte più importante: un’introduzione alle reti neurali, una sorta di modello di apprendimento automatico. Questo è solo il primo articolo di un’intera serie che ho intenzione di scrivere sul Deep Learning. Si concentrerà su come una semplice rete neurale artificiale apprende e fornisce a profondo (ah, gioco di parole) comprensione di come è costruita una rete neurale, neurone per neurone, il che è super essenziale poiché continueremo a sviluppare questa conoscenza. Mentre ci immergeremo nei dettagli matematici, non c’è motivo di preoccuparsi perché analizzeremo e illustreremo ogni passaggio. Alla fine di questo articolo ti renderai conto che è mooolto più semplice di quanto sembri.
Ma prima di esplorare questo aspetto, potresti chiederti: perché abbiamo bisogno delle reti neurali? Con così tanti algoritmi di machine learning disponibili, perché scegliere le reti neurali? Le risposte a questa domanda sono numerose e ampiamente discussoquindi non approfondiremo troppo l’argomento. Ma vale la pena notare che le reti neurali sono incredibilmente potenti. Possono identificare modelli complessi nei dati con cui gli algoritmi classici potrebbero avere difficoltà, affrontare problemi di apprendimento automatico altamente complessi (come l’elaborazione del linguaggio naturale e il riconoscimento delle immagini) e ridurre la necessità di un’ampia progettazione delle funzionalità e di sforzi manuali.
Detto questo, i problemi delle reti neurali si riducono praticamente a 2 categorie principali: classificazione, previsione di un’etichetta discreta per un dato input (es: è l’immagine di un gatto o di un cane? La recensione di questo film è positiva o negativa?) o Regressione, prevedendo un valore continuo per un dato input (es: previsioni del tempo).
Oggi ci concentreremo su un problema di regressione. Considera uno scenario semplice: ci siamo recentemente trasferiti in una nuova città e stiamo attualmente cercando una nuova casa. Notiamo però che i prezzi delle case nella zona variano notevolmente.
Poiché non conosciamo la città, la nostra unica fonte di informazioni è ciò che…
Fonte: towardsdatascience.com
