Nel mondo della programmazione, dei computer e dell’intelligenza artificiale, una rete neurale di retropropagazione è semplicemente una sorta di rete neurale artificiale (ANN) che utilizza la retropropagazione. La backpropagation è fondamentale ed è un algoritmo comunemente usato che istruisce una ANN su come eseguire un determinato compito. Anche se questo concetto può sembrare confuso, e dopo aver esaminato le equazioni richieste durante il processo sembra completamente estraneo, questo concetto, insieme alla rete neurale completa, è abbastanza facile da capire.
Per coloro che non hanno familiarità con le reti neurali, una ANN, o semplicemente una NN che sta per “rete neurale”, è un modello matematico modellato su alcune caratteristiche delle reti neurali della vita reale, come quelle che si trovano negli esseri viventi. Il cervello umano è l’ultima rete neurale il cui funzionamento fornisce alcuni indizi su come migliorare la struttura e il funzionamento delle NN artificiali. Come un cervello molto rudimentale, una RNA ha una rete di neuroni artificiali interconnessi che elaborano le informazioni.
La cosa affascinante è che una RNA può adattare e modificare la sua struttura quando necessario, in base alle informazioni che riceve dall’ambiente e dall’interno della rete. È un modello computazionale sofisticato che utilizza l’analisi dei dati statistici non lineari ed è in grado di interpretare relazioni complesse tra dati come input e output. Può risolvere problemi che non possono essere risolti utilizzando i metodi computazionali tradizionali.
L’idea per una rete neurale di backpropagation è nata per la prima volta nell’anno 1969 dal lavoro di Arthur E. Bryson e Yu-Chi Ho. Negli anni successivi, altri programmatori e scienziati perfezionarono l’idea. A partire dal 1974 la rete neurale di backpropagation è stata riconosciuta come una svolta innovativa nello studio e nella creazione di reti neurali artificiali.
L’apprendimento della rete neurale è un compito importante all’interno di una ANN che garantisce che continui a essere in grado di elaborare correttamente i dati e quindi svolgere correttamente la sua funzione. Una rete neurale di backpropagation utilizza una forma generalizzata della regola delta per consentire l’apprendimento della rete neurale. Ciò significa che si avvale di un insegnante in grado di calcolare gli output desiderati a partire da determinati input immessi nella rete.
In altre parole, una rete neurale di backpropagation apprende con l’esempio. Il programmatore fornisce un modello di apprendimento che dimostra quale sarebbe l’output corretto, dato un insieme specifico di input. Questo esempio di input-output è l’insegnante, o modello, su cui altre parti della rete possono modellare i calcoli successivi.
L’intero processo procede metodicamente a intervalli misurati. Dato un insieme definito di input, la RNA applica il calcolo appreso dal modello per ottenere un output iniziale. Quindi confronta questo output con l’output originariamente noto, previsto o buono e apporta le modifiche necessarie. Nel processo viene calcolato un valore di errore. Questo viene quindi propagato avanti e indietro attraverso la rete neurale di backpropagation fino a determinare il miglior output possibile.