Come funziona una Rete Neurale?

Guarda su YouTube → 1:00:02 16 febbraio 2025

Intelligenza ArtificialeC

Descrizione

Ciao! Come funziona una Rete Neurale? In questo video analizzo alcune delle idee più fondamentali che stanno dietro al funzionamento delle reti neurali. Per rendere la discussione pratica e basata su concetti computazionali, porto un esempio di una semplicissima rete neurale composta da tre parametri, e che permette di approssimare funzioni come l'and e l'or logico. Nel video si parla di training set, di modelli, di cosa significa calcolare un modello su un input, dell'importanza della funzione di costo, e di come la funzione di costo viene utilizzata nell'algoritmo di learning. Durante la trattazione vengono delineate varie volte le differenze tra l'approccio classico alla programmazione e al problem solving simbolico, e l'approccio al problem solving basato sulla ottimizzazione di modelli matematici. Spero che il video sia utile a tutti coloro interessati a costruire delle solide fondamenta computazionali rispetto al funzionamento delle reti neurali. Per supportare il lavoro svolto dal progetto Esadecimale potete iscrivervi al canale e condividere il video con persone interessate. Di recente ho anche aperto un canale Telegram. Se mi volete porre qualche domanda, fatelo pure lì. Il link per joinare è presente nei riferimenti. ------------------------- TIMESTAMP 00:00 Introduzione 03:30 Perché usiamo le reti neurali? 08:10 Perché abbiamo bisogno di un training set? 14:25 Che cos'è un modello? 17:00 Che cos'è un neurone? 20:55 A che serve la funzione di attivazione? 27:00 Come sono scelti i parametri del modello? 29:35 Come si utilizza il modello? 33:30 Perché è importante calcolare l'errore? 36:00 Come calcoliamo l'errore? 39:35 Cosa significa imparare? 45:20 Come si implementa l'apprendimento? 54:00 Cosa consegue dalla minimizzazione dell'errore? ------------------------- RIFERIMENTI - Materiale: https://github.com/LeonardoE95/yt-it/tree/main/src/2025-02-16-come-funziona-rete-neurale - Tsoding: https://www.youtube.com/watch?v=PGSba51aRYU - Canale Telegram: https://t.me/+cdbmjgB3nCEyMzA0 ------------------------- CONTATTI - Blog: https://blog.leonardotamiano.xyz/ - Github: https://github.com/LeonardoE95?tab=repositories - Support: https://www.paypal.com/donate/?hosted_button_id=T49GUPRXALYTQ

Commenti 23

I commenti vengono da YouTube e sono aggiornati periodicamente.

@vitoespo 16 febbraio 2025 14

il tuo canale è il diamante più splendente del mio feed di youtube
1 risposta
1. @esadecimale Autore 16 febbraio 2025 3
  
  Sono belle parole, ti ringrazio!
@robertopasini70 22 maggio 2025 1

complimenti per il video! una delle spiegazioni piu' esaurienti ed interessanti che io abbia mai visto!
@gianlucagiuman6132 25 aprile 2025 2

Ahhhh interessantissimo !!! Finalmente una persona di un certo spessore che mi spiega come funziona esattamente sta cosa. (guardando fino alla fine ho visto che non ho solide basi matematiche...... vediamo cosa ne esce fuori)
@itry6084 14 giugno 2025

Video 🔝. Complimenti per la spiegazione. Seguirò sicuramente tutta la serie.
@millerflamestudio 22 febbraio 2025 1

Finalmente qualcuno che spiega le reti neurali da zero con esempi chiari e semplici.. falla diventare una serie perchè hai spaccato!
1 risposta
1. @esadecimale Autore 23 febbraio 2025 2
  
  Sarebbe effettivamente bella una serie che finisce con la creazione di un modello GPT-like, step by step, con piccole e semplici implementazioni Grazie per il feedback!
@mesorotto83 27 giugno 2025

Canale di qualità. Ora mi vado a guardare il video che tratta lo XOR. Complimenti
1 risposta
1. @esadecimale Autore 27 giugno 2025
  
  Grazie ♥️
@presashuko3743 8 maggio 2025

Molto interessante. Bravo
@RiccardoArduino 15 maggio 2025

👏Complimenti!
@graffioh6785 17 febbraio 2025 1

super video
@LucaCanali 17 febbraio 2025

Leo ... super interessante e spiegata davvero bene ... mi sa che me la gioco per far capire bene a mio figlio come funzionano le AI e che non ė magia 😄👍
@tuppulix29 16 febbraio 2025 1

Mi chiedo sempre perché persone come te non abbiano il successo che meritano. YouTube preferisce dare visibilità a contenuti futili e imbarazzanti, invece di far crescere chi davvero lo merita. Complimenti, continua così, è davvero bello poter apprendere dai tuoi video. Una curiosità: da dove studi queste cose? Hai qualche risorsa specifica che segui, come libri o video su YouTube?
1 risposta
1. @esadecimale Autore 16 febbraio 2025 1
  
  Imparo da varie fonti, tra cui YouTube, siti di università americane che caricano video, blog post di gente trovata a random sui social tipo X e YouTube, e via dicendo. Sarebbe da fare un video sulle risorse utili. Questo video nello specifico è stato inspirato da Tsoding, un programmatore molto bravo che fa livestream. Ha un canale su YouTube (TsodingDaily), altamente consigliato.
@federicodiloreto7813 11 luglio 2025

si puo' fare una bella osservazione: immaginando gli input 0 e 1 come coordinate x1 e x2 in un piano cartesiano e l'output come una quota z o una proprieta' del punto, un neurone prima della sigmoide é una retta nel piano x1 x2 che genera due sottospazi di classificazione. la "and" e la "or" hanno output divisibili/classificabili con una retta, per la xor ne servono 2 perche due rette incidenti generano 4 sottospazi in cui posso classificare i punti in base alla loro proprieta'.La visulizzazione geometrica aiuta ma non so quanto possa essere estesa ad altre architetture, probabilmente resta valida nei principi, ma difficile se non impossibile da "visualizzare"
@giuseppemodugno6161 29 luglio 2025

Grazie per il video, molto interessante, mi mancava un approccio base con relativa programmazione. Però secondo me l'esempio di una funzione con un training set che copre tutti gli input possibili (4 per le funzioni booleane a due ingressi) non è il massimo. L'obiettivo del ML dovrebbe essere quello di imparare A PARTIRE da un training set noto (i dati) che NON copre tutti i possibili casi, per poter "indovinare" l'output anche su input mai visti, fuori dal training set. Ma immagino che facendo così servirebbero molti più neuroni.
1 risposta
1. @esadecimale Autore 29 luglio 2025
  
  Assolutamente, questo piccolo esempio è solo per analizzare il funzionamento computazionale delle reti. Non è nello XOR che abbiamo bisogno delle reti neurali. L’osservazione didattica pero è che a livello computazionale non cambia “molto”, a parte tante considerazioni di ottimizzazioni e ingegneristiche, scalare poi a funzioni per cui non si conosce bene tutto il mapping
@gennaromigliaccio 13 aprile 2025

Ciao, il codice dell'esempio potrebbe avere un errore, penso che l'ultima riga della matrice TRAIN_DATA sia sbagliata, nel codice c'è [1.1.0] , ritengo che dovrebbe essere [1,1,1] .
1 risposta
1. @esadecimale Autore 13 aprile 2025 1
  
  Si effettivamente nel codice avevo cambiato il training data per testare lo XOR, per avere l’AND logico è giustamente diversa
@luigimiranda98 6 marzo 2025

Ciao, io non ho capito a pieno il concetto del bias b, perché è necessario usarlo? Grazie in anticipo
2 risposte
1. @esadecimale Autore 6 marzo 2025 2
  
  Ciao! Il bias b non è "necessario" usarlo nel senso stretto della parola. Puoi avere reti neurale senza il bias. La domanda da porsi è: cosa perde il modello quando togliamo il bias? Detto altrimenti ci possiamo anche chiedere: cosa guadagna il modello introducendo il bias? Ciò che si guadagna/perde, a seconda del punto di vista, è il potere rappresentativo. Si perde flessibilità nell'approssimare funzioni arbitrarie. Facciamo un esempio specifico. Supponiamo di avere una rete neurale con un solo neurone, con funzione di attivazione sigmoid, come nel video. Cosa succede quando tutti gli input della rete sono 0? In questo caso la combinazione lineare ritornerà sempre e comunque 1/2, a prescindere dal valore dei parametri e a prescindere dal valore della funzione target in quel punto. Perché x1*w1 + x2*w2 si trasforma in 0*w1 + 0*w2 = 0, e poi 0 viene passato a sigmoid, che fa venire sigmoid(0) = 1/2. Quindi, senza bias, il modello è costretto a mappare (0, 0) in 1/2. Magari però la funzione che vogliamo approssimare si comporta in modo diverso in quel punto. Magari in quel punto non è 1/2 ma è 0, oppure 10, oppure -100. Senza il bias non siamo in grado di "catturare" questo aspetto della funzione target, e dunque il modello diventa più debole e non è più in grado di approssimare funzioni arbitrarie. E quindi ha poco senso parlare di reti neurali senza bias, nel momento in cui le reti neurali sono proprio queli modelli che approssiamo bene funzioni continue arbitrarie, e senza il bias si diventa più deboli nell'approssimare funzioni. Spero un po' abbia chiarito!
2. @luigimiranda98 6 marzo 2025
  
  @esadecimale super chiaro, e ti ringrazio moltissimo