L’addestramento

L’apprendimento definisce la capacità della rete neurale di interpretare e restituire informazioni sempre più precise man mano che l’addestramento si completa. L’addestramento si basa, in generale, sulla disponibilità di un insieme di addestramento (training set), costituito da un insieme di coppie ingresso-uscita, che si possono interpretare come esempi della relazione funzionale che si vuole approssimare. Una rete addestrata sulla base dei campioni del training set deve essere poi in grado di generalizzare, ossia di dare la risposta corretta in corrispondenza a ingressi non considerati nell’insieme di addestramento e ciò costituisce l’uso applicativo della rete in problemi di classificazione o di regressione.

Si possono distinguere due paradigmi fondamentali di apprendimento:

– apprendimento non supervisionato, in cui i campioni di uscita non sono noti (oppure non vengono utilizzati), e i parametri della rete vengono determinati attraverso tecniche di clustering applicate ai soli campioni di ingresso;

– apprendimento supervisionato, in cui i parametri della rete vengono determinati

tenendo conto anche delle uscite relative ai campioni di training.

Un’altra distinzione importante, relativa alle metodologie di apprendimento, riguarda le modalità con cui viene acquisito o utilizzato l’insieme di campioni di training durante l’apprendimento; da questo punto di vista si può distinguere:

– apprendimento on-line, in cui gli esempi del training set vengono acquisiti (o utilizzati) in modo incrementale durante il processo di addestramento;

– apprendimento batch o fuori linea, in cui si suppone che tutto l’insieme di addestramento sia disponibile prima che l’addestramento abbia inizio.