Rete neurale ricorrente

Nel mondo di oggi, Rete neurale ricorrente ha acquisito una rilevanza senza precedenti. Che sia a livello personale, professionale, sociale o politico, Rete neurale ricorrente gioca un ruolo fondamentale nella nostra vita quotidiana. Nel corso della storia, Rete neurale ricorrente è stato oggetto di studio, dibattito e ammirazione, ma mai prima d'ora ha occupato un posto così importante nella società come lo occupa oggi. Dalle sue origini ad oggi, Rete neurale ricorrente si è evoluto e adattato ai cambiamenti e alle sfide che ha dovuto affrontare nel tempo. In questo articolo esploreremo da vicino l'impatto di Rete neurale ricorrente su diversi aspetti della vita quotidiana e come ha influenzato il modo in cui ci relazioniamo con il mondo che ci circonda.

Abbozzo informatica
Questa voce sull'argomento informatica è solo un abbozzo.
Contribuisci a migliorarla secondo le convenzioni di Wikipedia. Segui i suggerimenti del progetto di riferimento.
Diagramma di una RNN a una unità. Dal basso verso l'alto, gli stati in input, gli stati nascosti e gli stati di output. U, V e W sono i pesi della rete. Sulla sinistra il diagramma compresso, sulla destra la sua versione estesa

Una rete neurale ricorrente o RNN (recurrent neural network) è una classe di rete neurale artificiale che include neuroni collegati tra loro in un ciclo.[1] Tipicamente i valori di uscita di uno strato di un livello superiore sono utilizzati in ingresso di uno strato di livello inferiore[2]. Quest'interconnessione tra strati permette l'utilizzo di uno degli strati come memoria di stato, e consente, fornendo in ingresso una sequenza temporale di valori, di modellarne un comportamento dinamico temporale dipendente dalle informazioni ricevute agli istanti di tempo precedenti[3]. In altri casi lo strato è costituito da un insieme di neuroni dotato di loop di connessioni molto sparse che innesca una dinamica caotica, impiegata per l'addestramento di una parte successiva della rete, come avviene per le echo state network (adottate nell'ambito del reservoir computing). Ciò le rende applicabili a compiti di analisi predittiva su sequenze di dati, quali possono essere ad esempio il riconoscimento della grafia[4] o il riconoscimento vocale[5].

Note

  1. ^ Enrico Prati, 2, in Mente artificiale, EGEA, 2017, ISBN 978-88-238-7997-3.. URL consultato il 15 ottobre 2018.
  2. ^ (EN) Jeffrey L. Elman, Finding Structure in Time, in Cognitive Science, vol. 14, n. 2, 1990-03, pp. 179-211, DOI:10.1207/s15516709cog1402_1. URL consultato il 15 ottobre 2018.
  3. ^ (EN) Understanding The Recurrent Neural Network, su MindOrks, 14 aprile 2018. URL consultato il 15 ottobre 2018.
  4. ^ (EN) A. Graves, M. Liwicki e S. Fernandez, A Novel Connectionist System for Unconstrained Handwriting Recognition, in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, n. 5, 2009-05, pp. 855-868, DOI:10.1109/tpami.2008.137. URL consultato il 15 ottobre 2018.
  5. ^ (EN) Alex Graves, Abdel-rahman Mohamed e Geoffrey Hinton, Speech recognition with deep recurrent neural networks, in 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, IEEE, 2013-05, DOI:10.1109/icassp.2013.6638947. URL consultato il 15 ottobre 2018.

Collegamenti esterni

Controllo di autoritàGND (DE) 4379549-3