Main Content

La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Reti superficiali per pattern recognition, clustering e serie temporali

Le reti neurali sono costituite da elementi semplici che funzionano in parallelo. Questi elementi sono ispirati ai sistemi nervosi biologici. Come in natura, sono le connessioni tra gli elementi a determinare in gran parte il funzionamento della rete. È possibile addestrare una rete neurale ad eseguire una funzione particolare regolando i valori delle connessioni (pesi) tra gli elementi.

Normalmente, le reti neurali vengono regolate, o addestrate, in modo tale che un particolare input porti ad un output target specifico. La figura seguente illustra una situazione di questo tipo. In questo caso, la rete viene regolata, in base al confronto dell’output e del target, finché l’output della rete coincide con il target. Normalmente sono necessarie molte coppie input/target per addestrare una rete.

Neural network training workflow

Le reti neurali sono state addestrate per eseguire funzioni complesse in svariati campi, tra cui pattern recognition, identificazione, classificazione, parlato, visione e sistemi di controllo.

Le reti neurali possono essere addestrate anche a risolvere problemi che risultano difficili per i computer convenzionali e per gli esseri umani. Il toolbox sottolinea l’utilizzo di paradigmi per reti neurali che svolgono una funzione preparatoria o sono essi stessi utilizzati nel campo dell’ingegneria, della finanza e in altre applicazioni pratiche.

Gli argomenti che seguono spiegano come addestrare in modo interattivo le reti neurali superficiali per risolvere problemi di function fitting, pattern recognition, clustering e serie temporali. L’uso di questi strumenti può fornire un’eccellente introduzione all’utilizzo del software Deep Learning Toolbox™:

Nota

Per costruire, visualizzare e addestrare in modo interattivo le reti neurali di Deep Learning, utilizzare l’applicazione Deep Network Designer. Per ulteriori informazioni, vedere Come iniziare a utilizzare Deep Network Designer.

App e funzioni per reti superficiali in Deep Learning Toolbox

Esistono quattro modi per utilizzare il software Deep Learning Toolbox.

  • Il primo modo è attraverso l’uso dei suoi strumenti. Questi strumenti offrono un pratico accesso alle funzionalità del toolbox per le seguenti attività:

  • Il secondo modo di utilizzare il toolbox è attraverso operazioni basilari della riga di comando. Le operazioni della riga di comando offrono più flessibilità rispetto agli strumenti, ma comportano una maggiore complessità. Per la prima esperienza con il toolbox, gli strumenti offrono l’introduzione migliore. Inoltre, gli strumenti possono generare script di codice MATLAB® documentato per fornire all’utente i modelli per la creazione di funzioni della riga di comando personalizzate. Il processo che prevede prima l’uso degli strumenti e poi la generazione e modifica degli script MATLAB rappresenta un ottimo modo per imparare le funzionalità del toolbox.

  • Il terzo modo di utilizzare il toolbox è attraverso la personalizzazione. Questa funzionalità avanzata consente di creare reti neurali personalizzate conservando l’accesso alle funzionalità complete del toolbox. Si possono creare reti con connessioni arbitrarie e, anche in questo caso, è possibile addestrarle utilizzando funzioni di addestramento esistenti nel toolbox (purché i componenti della rete siano differenziabili).

  • Il quarto modo per utilizzare il toolbox è attraverso la capacità di modificare le funzioni contenute al suo interno. Ogni componente di calcolo è scritto in codice MATLAB ed è completamente accessibile.

Questi quattro livelli di utilizzo del toolbox includono tutti i livelli di competenze, dal principiante all’esperto: semplici strumenti guidano il nuovo utente attraverso le applicazioni specifiche, mentre la personalizzazione della rete permette ai ricercatori di provare nuove architetture con il minimo sforzo. Qualunque sia il livello della rete neurale e il grado di esperienza su MATLAB dell’utente, nel toolbox sono presenti feature per ogni esigenza.

Generazione automatica di script

Gli strumenti stessi sono una parte importante del processo di apprendimento per il software Deep Learning Toolbox. Guidano l’utente attraverso il processo di progettazione delle reti neurali per risolvere problemi in quattro importanti aree di applicazione senza necessità di una formazione precedente sulle reti neurali o di sofisticazione nell’utilizzo di MATLAB. Inoltre, gli strumenti sono in grado di generare automaticamente script MATLAB sia semplici che avanzati, che possono riprodurre le fasi eseguite dallo strumento, ma con la possibilità di escludere le impostazioni predefinite. Gli script possono fornire dei modelli per la creazione di codice personalizzato e possono essere utili per familiarizzare con la funzionalità della riga di comando del toolbox. Si consiglia vivamente di utilizzare la funzionalità di generazione automatica di script di questi strumenti.

Applicazioni di Deep Learning Toolbox

Sarebbe impossibile citare l’intera gamma di applicazioni per cui le reti neurali hanno offerto soluzioni straordinarie. Le sezioni rimanenti di questo argomento descrivono solo alcune delle applicazioni nell’ambito del function fitting, pattern recognition, clustering e analisi di serie temporali. La tabella che segue offre una breve panoramica della varietà di applicazioni per cui le reti neurali offrono soluzioni all’avanguardia.

Settore

Applicazioni commerciali

Aerospaziale

Pilota automatico ad alte prestazioni per aerei, simulazione della traiettoria di volo, sistemi di controllo aeronautico, potenziamenti per autopilota, simulazione dei componenti aeronautici e rilevamento guasti nei componenti aeronautici

Automobilistico

Sistemi per automobili a guida autonoma e analisi delle attività di garanzia

Bancario

Verifica e altre attività di lettura di documenti, valutazione dell’applicazione del credito

Difesa

Guida di armi, target tracking, discriminazione di oggetti, riconoscimento facciale, nuove tipologie di sensori, elaborazione di segnali da sonar, radar e immagini tra cui compressione dati, estrazione di feature e soppressione del rumore, identificazione di segnali/immagini

Elettronica

Previsione di sequenze di codice, layout di chip per circuiti integrati, controllo di processo, analisi dei guasti dei chip, visione artificiale, sintesi vocale e modellazione non lineare

Intrattenimento

Animazione, effetti speciali e previsioni di mercato

Finanziario

Valutazione immobiliare, consulenze sui prestiti, selezione per la concessione di mutui, valutazione di obbligazioni societarie, analisi dell’utilizzo di linee di crediti, tracciamento delle attività di carte di credito, programmi di trading di portafogli titoli, analisi delle finanze societarie e previsioni dei prezzi delle valute

Industriale

Previsione dei processi industriali quali le emissioni di gas delle caldaie, in sostituzione di complesse e costose apparecchiature utilizzate in passato a tale scopo

Assicurativo

Valutazione dell’applicazione di polizze e ottimizzazione prodotti

Manifatturiero

Controllo del processo manifatturiero, progettazione e analisi prodotto, diagnosi di processi e macchine, identificazione di particelle in tempo reale, sistemi di ispezione qualità visiva, analisi della birra, analisi della qualità della saldatura, previsione della qualità della carta, analisi della qualità di chip per computer, analisi delle operazioni di macinazione, analisi della progettazione di prodotti chimici, analisi della manutenzione di macchinari, gare d’appalto, pianificazione e gestione progetti e modellazione dinamica di impianti per processi chimici

Medico

Analisi di cellule di tumore al seno, analisi di EEC ed ECG, progettazione di protesi, ottimizzazione dei tempi di trapianto, riduzione delle spese ospedaliere, miglioramento della qualità dei servizi ospedalieri e consulenze sugli esami di pronto soccorso

Petrolio e gas

Esplorazione

Robotica

Controllo delle traiettorie, carrelli elevatori robot, controllori per manipolatori e sistemi di visione

Titoli

Analisi di mercato, valutazione automatica di obbligazioni e sistemi di consulenza sulla compravendita di azioni

Parlato

Riconoscimento vocale, compressione del parlato, classificazione vocali e sintesi vocale

Telecomunicazioni

Compressione di immagini e dati, servizi informativi automatizzati, traduzione in tempo reale del parlato e sistemi di elaborazione dei pagamenti di clienti

Trasporti

Sistemi di diagnostica per freni di autocarri, pianificazione veicoli e sistemi di routing

Fasi di progettazione delle reti neurali superficiali

Le sezioni rimanenti di questo argomento offrono una guida attraverso le fasi standard per la progettazione di reti neurali mirate a risolvere problemi in quattro aree applicative: function fitting, pattern recognition, clustering e analisi di serie temporali. Il flusso di lavoro per ciascuno di questi problemi è suddiviso in sette fasi principali. (La raccolta dati nella fase 1, per quanto importante, generalmente avviene all’esterno dell’ambiente MATLAB.)

  1. Raccolta dati

  2. Creazione della rete

  3. Configurazione della rete

  4. Inizializzazione di pesi e bias

  5. Addestramento della rete

  6. Convalida della rete

  7. Utilizzo della rete

Eseguirai questi passaggi utilizzando sia gli strumenti dell’interfaccia utente sia le operazioni della riga di comando nelle sezioni che seguono:

Vedi anche

| | | | | |

Argomenti complementari