TECNICHE E STRUMENTI DI APPRENDIMENTO AUTOMATICO PER L'INTELLIGENZA ARTIFICIALE. RETI NEURALI TRAMITE R E PYTHON

L'intelligenza artificiale combina algoritmi matematici e tecniche di apprendimento automatico, apprendimento profondo e Big Data per estrarre la conoscenza contenuta nei dati e presentarla in modo comprensibile e automatizzato. Le reti neurali svolgono un ruolo cruciale in tutte queste discipline. Questo libro approfondisce l'uso delle reti neurali per l'apprendimento supervisionato e non supervisionato. Per quanto riguarda l'apprendimento supervisionato, vengono prese in considerazione le architetture più comuni, come i percettroni multistrato, le reti a base radiale, le reti ADALINE, le reti HOPFIELD, le reti probabilistiche, le reti lineari, le reti di regressione generalizzata, le reti LVQ, le reti lineari e le reti per l'ottimizzazione di modelli di regressione. In questa sezione sull'analisi supervisionata, meritano particolare attenzione le reti neurali per la previsione di serie temporali, come le reti LSTM, le reti GRU, le reti neurali ricorrenti (RNN), le reti NARX, le reti NNAR e, in generale, le reti neurali dinamiche. Per quanto riguarda l'apprendimento non supervisionato, vengono sviluppate reti di riconoscimento di pattern e analisi di cluster, come le reti di KOHONEN (mappe auto-organizzanti, SOM), reti neurali autoencoder, reti di apprendimento per trasferimento, reti di rilevamento di anomalie e reti neurali convoluzionali. Per ogni tipo di rete neurale, vengono presentati esempi con sintassi ottimale in R e Python.