Definizione. Cenni di intelligenza artificiale. Fondamenti teorici della A.I. Affermazioni sull AI. Test di Touring. Può pensare una macchina?

Transcript

1 Definizione Cenni di intelligenz rtificile L intelligenz rtificile è un disciplin che si occup del comportmento intelligente in sistemi rtificili rgionmento pprendimento comuniczione zione in mbienti complessi Intelligenz Artificile Cenni di intelligenz rtificile 2 Affermzioni sull AI Fondmenti teorici dell A.I. ffermzione forte: un computer correttmente progrmmto può essere vermente dotto di un intelligenz pur, non distinguibile in nessun senso dll intelligenz umn ffermzione debole: un computer non srà mi in grdo di essere equivlente un mente umn m potrà solo rrivre simulre lcuni processi cognitivi senz riuscire riprodurli nell loro totle complessità Intelligenz Artificile Cenni di intelligenz rtificile 3 Il rgionmento e in generle ogni tipo di ttività dell mente è un clcolo Il clcolo è inteso come mnipolzione di simboli in bse regole prestbilite Il simbolo, o rppresentzione, è un oggetto che st per o rffigur un ltro oggetto Può esistere un mnipoltore utomtico di simboli Intelligenz Artificile Cenni di intelligenz rtificile 4 Può pensre un mcchin? Test di Touring Può Può Qundo? Or o in un futuro imprecisto? In principio o in prtic? Mcchin Mcchin In senso strtto? Ci riferimo d un processo utomtizzto (meccnico, elettronico, biologico, chimico, simbolico)? Pensre Aln Turing (92-954), uno dei pdri dell modern informtic e colui il qule h definito formlmente il concetto di mcchin clcoltrice e di computzione, h dto inizio d un serie di studi volti rispondere tle domnd Intelligenz Artificile Cenni di intelligenz rtificile 5 Intelligenz Artificile Cenni di intelligenz rtificile 6

2 ...lcune domnde... ELIZA. Sei un computer? 2. Che ore sono? 3. Qundo fu ssssinto in presidente Kenned 4. Qunto f Può il binco vincere un moss prtendo d quest posizione degli sccchi..? 6. Descrivimi i tuoi genitori 7. Come ti f sentire l lettur di quest poesi? 8. Cos pensi di Chrles Dickens? 9. Qule è l tu opinione nei confronti degli rmmenti militri, ll luce del ftto che milioni di persone muoiono di fme? Person: Mi moglie mi dice che sono sempre depresso ELIZA: Mi spice sentire dire che tu si depresso Person: L verità è che sono un po infelice ELIZA: Pensi che venire qui ti fcci senire un po meno infelice? Person: Bene, forse prlndo con te troverò il perchè odio mio frtello ELIZA: Dimmi qulcos dell tu fmigli Intelligenz Artificile Cenni di intelligenz rtificile 7 Intelligenz Artificile Cenni di intelligenz rtificile 8 versione estes Versione estes: Interzione ttrverso telecmere (visione rtificile) Possibilità di scmbire oggetti (rti robotici) Cpcità richieste per superre il test: elborzione linguggio nturle rppresentzione dell conoscenz rgionmento utomtico pprendimento utomtico visione rtificile e robotic Il gioco è form di intelligenz? Il gioco degli undici: Situzione inizile: stecchini su un tvolo Obiettivo: non prendere l ultimo stecchino Regole: due gioctori si lternno nel prendere un numero x di stecchini t.c. x 3 Intelligenz Artificile Cenni di intelligenz rtificile 9 Intelligenz Artificile Cenni di intelligenz rtificile 0...strtegi... Il gioco è form di intelligenz? Mcchin: lev 2 stecchini Mrio: lev x stecchini, x 3 Mcchin: lev 4-x stecchini Mrio: lev x stecchini, x 3 Mcchin: lev 4-x stecchini Mrio: lev ultimo stecchino Strtegi mplibile: 4*i+3 se inizi Mcchin 4*i+ se inizi Mrio Intelligenz Artificile Cenni di intelligenz rtificile Il gioco dell Torre di Hnoi: Situzione inizile: 20 dischi di mpiezz decrescente impilti in ordine crescente dll lto verso il bsso nel primo dei tre pletti disponibili (dicimo X) Obiettivo: trsportre tutti i dischi rispettndo l impilmento nell ultimo pletto (dicimo Y) Regole: il gioctore può spostre solo un disco ll volt e potendo mettere un disco solo su un ltro disco più grnde e mi su uno più piccolo Intelligenz Artificile Cenni di intelligenz rtificile 2 2

3 ...strtegi... Il gioco è form di intelligenz? Muovi (n,x,y,z) Se n = spostre il disco d X Y ltrimenti Muovi(n-,X,Z,Y) spost il disco d X Y Muovi(n-,Z,Y,X) Il gioco del Tic-Tc-Toe: Situzione inizile: un mtrice 3 3 Obiettivo: porre tre oggetti uguli su un stess rig o colonn o digonle Regole: due gioctori si lternno nel prendere pizzre il proprio simbolo in un delle posizioni libere nell mtrice Intelligenz Artificile Cenni di intelligenz rtificile 3 Intelligenz Artificile Cenni di intelligenz rtificile 4...strtegi... Grfi dello spzio degli stti Non esiste un strtegi vincente. Nodo di prtenz 2. Opertori che trsformno l descrizione di uno stto dell mbiente in quell dello stto risultnte dopo un zione 3. Condizione obiettivo Intelligenz Artificile Cenni di intelligenz rtificile 5 Intelligenz Artificile Cenni di intelligenz rtificile 6 Ricerc in mpiezz Definizione: procedur che gener un grfo dello spzio degli stti esplicito pplicndo tutti gli opertori possibili l nodo di prtenz, pplicndo quindi tutti gli opertori possibili tutti I diretti successori del nodo di prtenzm poi i loro successori, etc. Intelligenz Artificile Cenni di intelligenz rtificile 7 Intelligenz Artificile Cenni di intelligenz rtificile 8 3

4 Ricerc in profondità Definizione: procedur che gener un grfo dello spzio degli stti generndo I successori di un nodo uno ll volt pplicndo opertori individuli in un ordine prestbilito. In corrispondenz di ogni nodo sono indicti gli ulteriori opertori che possono essere successivmente pplicti, se necessrio. Generto un successore, viene generto uno dei suoi successori e così vi fino l rggiungimento di un limite di profondità. Intelligenz Artificile Cenni di intelligenz rtificile 9 Intelligenz Artificile Cenni di intelligenz rtificile 20 Intelligenz Artificile Cenni di intelligenz rtificile 2 Intelligenz Artificile Cenni di intelligenz rtificile 22 Ricerc euristic Definizione: procedur di ricerc che procede ttrverso i nodi che risultno essere i migliori per il rggiungimento del nodo obiettivo in bse ll informzione dt d un dt funzione di vlutzione. Dt f, bst su informzioni specifiche per il dominio del pb., ipotizzimo che vlori piccoli indichino nodi migliori 2. Si espnd l psso successivo quel nodo n t.c. f(n) h il vlore più piccolo 3. Si termin qundo il successivo d espndere è un nodo Intelligenz Artificile obiettivo Cenni di intelligenz rtificile 23 Intelligenz Artificile Cenni di intelligenz rtificile 24 4

5 Esercizi Dto il gioco del Tic-Tc-Toe: generre il grfo degli stti secondo l ricerc in mpiezz generre il grfo degli stti secondo l ricerc in profondità generre il grfo degli stti secondo l ricerc euristic Intelligenz Artificile Cenni di intelligenz rtificile 25 Intelligenz Artificile Cenni di intelligenz rtificile 26 Algoritmo Minimx. Generre l intero lbero 2. Vlutre ciscuno stto terminle 3. Fre rislire I vlori di nodi fogli verso l rdice uno strto ll volt prendendo il minimo o il mssimo in bse l turno del gioctore Intelligenz Artificile Cenni di intelligenz rtificile 27 Intelligenz Artificile Cenni di intelligenz rtificile 28 Intelligenz Artificile Cenni di intelligenz rtificile 29 Intelligenz Artificile Cenni di intelligenz rtificile 30 5

6 Pottur Intelligenz Artificile Cenni di intelligenz rtificile 3 Intelligenz Artificile Cenni di intelligenz rtificile 32 Approcci ll AI Approccio simbolico: esempio Simbolici operzioni logiche pplicte bsi di conoscenz dichirtive Sub simbolici ispirti modelli di evoluzione biologic Inicre se un blocco si trov sopr un ltro :- A_di_Sopr(A,C) Su (A,B) Su (B,C) A_di_Sopr(x,):- Su(x,) A_di_Sopr(x,):- Su(x,z), A_di_Sopr(z,) Intelligenz Artificile Cenni di intelligenz rtificile 33 Intelligenz Artificile Cenni di intelligenz rtificile 34...continu... Approccio simbolico: esempio Torre di Hnoi Hnoi (0,X,Y,Z,[]) Hnoi (n,x,y,z,moves):- Hnoi (n-,x,z,y,m) Hnoi (n-,z,y,x,m2) ppend(m,[move(x,y) M2],Moves) Intelligenz Artificile Cenni di intelligenz rtificile 35 Intelligenz Artificile Cenni di intelligenz rtificile 36 6

7 Approccio sub simbolico: esempio Modello di un neurone Elementi crtterizznti un neurone: Le reti neurli bste sull ide del neurone biologico L pprendimento vviene grzie lle sinpsi che cmbino l forz delle connessioni nel tempo (Hebb, 949) Le sinpsi sono di due tipi: eccittorie ed inibitorie che innlzno o bbssno il potenzile del neurone mplificndo o inibendo il segnle che rriv ttrverso lungo l ssone Il nostro cervello contiene neuroni ciscuno dei quli h dlle 000 lle connessioni con i neuroni vicini x w w 2 w n F Il numero di cnli in ingresso: Il tipo di segnli in ingresso: I pesi di ciscun connessione: L funzione di ttivzione: L funzione di uscit: Le uscite di F e f Y f n x i w i F f, Y x n Intelligenz Artificile Cenni di intelligenz rtificile 37 Intelligenz Artificile Cenni di intelligenz rtificile 38 Neurone binrio sogli Altre funzioni di uscit Elementi crtterizznti il neurone binrio sogli: F è l somm pest degli input Y f è un funzione di HevSide (HS): Y Y = Σ i w i x i Y = HS ( - θ ) x x n F f Y θ Y θ Y θ θ Intelligenz Artificile Cenni di intelligenz rtificile 39 Intelligenz Artificile Cenni di intelligenz rtificile 40 Il Perceptron Il Perceptron Crtteristiche: - prticolre modello di singolo neurone - gli ingressi (x,,,x n ) possono essere numeri interi o binri ( binrio = pprtenente ll insieme {0,} ) L sogli θ dell funzione HS viene dett nche bis e spesso viene settt 0 nche trmite l introduzione di un ulteriore ingresso con vlore costnte - e peso θ - θ - le uscite sono esclusivmente binrie =Σ i w i x i - l funzione di ttivzione del neurone è dt dll somm pest degli ingressi - l uscit è l funzione di HevSide = HS ( - θ ) x w w 2 w n Σ HS x n Intelligenz Artificile Cenni di intelligenz rtificile 4 Intelligenz Artificile Cenni di intelligenz rtificile 42 7

8 Clssi riconosciute d un perceptron continu In un perceptron due ingressi bbimo = w x + w 2 per cui gli elementi (ptterns) riconosciuti (con uscit ) sono quelli tli che w x + w 2 > θ clsse riconosciut θ /w 2 x w Σ HS w 2 Intelligenz Artificile Cenni di intelligenz rtificile 43 θ /w Visulizzndo l insieme w x + w 2 - θ > 0 in un pino crtesino con x sulle scisse e sulle ordinte ottenimo il semipino Intelligenz Artificile Cenni di intelligenz rtificile 44 x : AND continu x Σ θ =.5 HS = 0 (0,) (,) (0,0) (,0) = x Intelligenz Artificile Cenni di intelligenz rtificile 45 Intelligenz Artificile Cenni di intelligenz rtificile 46 : OR continu x Σ θ =0.5 HS = 0 (0,) (,) (0,0) (,0) = x Intelligenz Artificile Cenni di intelligenz rtificile 47 Intelligenz Artificile Cenni di intelligenz rtificile 48 8

9 : NOT continu θ =-0.5 x - Σ HS = = 0 0 x Intelligenz Artificile Cenni di intelligenz rtificile 49 Intelligenz Artificile Cenni di intelligenz rtificile 50 Limiti del perceptron : XOR Per pprendere un clssificzione, il problem deve essere tle che: - i pttern pprtenenti ll clsse d riconoscere devono essere contenuti in un semipino dello spzio di ingresso (0,) (,) = 0 - con n ingressi, lo spzio divent n-dimensionle ed i pttern vengono seprti d un iperpino = 0 = (0,0) (,0) x Intelligenz Artificile Cenni di intelligenz rtificile 5 Intelligenz Artificile Cenni di intelligenz rtificile 52 Esercizi Soluzione. Dto il seguente perceptron indicre l funzione linermente seprbile implementt. Si consideri che gli ingressi possno ssumere vlori 0,. θ =.5 x = x x 3 - Σ HS x 3 Intelligenz Artificile Cenni di intelligenz rtificile 53 Intelligenz Artificile Cenni di intelligenz rtificile 54 9

10 Esercizi Soluzione 2 2. Dto un perceptron tre ingressi con funzione di sogli vente θ = 2 indicre il peso d ssocire ciscuno di essi per seprre i seguenti insiemi A = {(,2,0), (-,3,0),(-2,-3,0)} B = {(0,,2),(9,0,),(-3,-3,3)} Ciò che si st cercndo è un peculirità dei punti di A, non presente in quelli di B, che poss essere utilizzt come fttore discriminnte d un perceptron. Tle peculirità deve interessre esclusivmente i vlori delle singole coordinte dei punti nei due insiemi, essendo solo queste l possibile discriminnte. Soffermndoci quindi sulle coordinte dei punti di A e poi su quelle dei punti di B notimo, d esempio, che l terz componente dei primi è sempre null, mentre nei secondi non lo è mi, nzi è ddirittur sempre positiv. Questo ftto suggerisce un insieme di pesi che gisc come segue: - nnulli le prime due coordinte (pesi w = 0 e w 2 = 0 ) - eslti l terz coordint trmite un peso diverso d zero e che superi per ciscuno dei i tre punti, l sogli θ = 2 (d esempio peso w 3 = 2 ) In tl modo il perceptron sui punti dell insieme A dà come output sempre il vlore 0, mentre sui punti dell insieme B i vlori 4,2,6 (tutti >= θ ) come desiderto. Intelligenz Artificile Cenni di intelligenz rtificile 55 Intelligenz Artificile Cenni di intelligenz rtificile 56 Esercizi Soluzione 3 3. Dto un perceptron due ingressi con pesi w = 2 e w 2 = 0 e funzione di sogli con θ =, indicre sul pino crtesino l insieme di punti d lui riconosciuto. Se e come vri tle insieme l vrire del vlore θ nell funzione di sogli? Con un perceptron due ingressi con pesi w = 2 e w 2 = e funzione di sogli con θ =, riuscimo seprre i punti dell insieme: θ /w 2 = clsse B clsse A Al vrire di θ l inclinzione dell rett non vrierà, m l su posizione sì, ottenendo quindi clssi seprte diverse. θ /w =½ x Intelligenz Artificile Cenni di intelligenz rtificile 57 Intelligenz Artificile Cenni di intelligenz rtificile 58 Esercizi Soluzione 4 4. Dto un perceptron tre ingressi con pesi w = 2, w 2 = 0 e w 3 = indicre un possibile vlore di θ nell funzione di sogli ffinché sino seprti i due insiemi A = {(,2,0), (,3,0),(-2,3,0)} B = {(0,,3),(-,0,6),(3,0,0)} Nei due insiemi di punti indicti il perceptron dà come uscit i vlori: insieme A : 2, 2, -4 insieme B : 3, 4, 6 Pertnto è possibile seprre i due insiemi utilizzndo un funzione di sogli con sclino pri l minimo del vlore di uscit degli elementi dell insieme B, cioè θ = 3 Intelligenz Artificile Cenni di intelligenz rtificile 59 Intelligenz Artificile Cenni di intelligenz rtificile 60 0

11 Esercizi Soluzione 5 5. Indicre un perceptron (pesi e funzione di sogli) che sepr i seguenti insiemi di punti nel pino crtesino: Un possibile rett che sepri i due insiemi di punti rossi e verdi pss di punti di coordinte (-/2,0) e (0,/2) cioè θ /w 2 = /2 e θ /w = - /2 D questo seguono, d esempio, i seguenti vlori θ = w 2 = 2 w = -2 Intelligenz Artificile Cenni di intelligenz rtificile 6 Intelligenz Artificile Cenni di intelligenz rtificile 62 Esercizi Soluzione 6 6. Dto il seguente perceptron indicre il pino di seprzione d esso individuto θ = -.5 x Σ HS x 3 x x 3 Intelligenz Artificile Cenni di intelligenz rtificile 63 x + + x 3 =.5 Intelligenz Artificile Cenni di intelligenz rtificile 64 Apprendimento Cos si pprende Definizione: un sistem pprende se è in grdo di migliorre nel tempo le proprie prestzioni nell soluzione di un pb. senz essere riprogrmmto. Risultti d ottenere: migliorre l ccurtezz delle soluzioni proposte coprire uno spettro progressivmente più mpio di pb. ridurre l utilizzzione di risorse (ex: trovre un insieme di regole più comptto e più comprensibile) L principle clsse di pb. che possono venire ppresi sono quelli di clssificzione determinre le regole che permettono di discriminre un insieme di oggetti come pprtenenti d un ltr ctegori Ex: dignosticre un mltti in bse i sintomi Intelligenz Artificile Cenni di intelligenz rtificile 65 Intelligenz Artificile Cenni di intelligenz rtificile 66

12 Il processo di pprendimento Il processo di pprendimento L rete oper in due fsi distinte: Fse di ddestrmento (trining): in cui si memorizzno le informzioni desiderte Fse di evoluzione (testing): in cui si recuperno le informzioni memorizzte. Apprendimento supervisionto 2. Apprendimento non supervisionto 3. Apprendimento competitivo Per ddestrmento intendimo l cpcità dell rete di modificre il comportmento in un direzione desidert vrindo i pesi delle connessioni sinptiche 4. Apprendimento con rinforzo Intelligenz Artificile Cenni di intelligenz rtificile 67 Intelligenz Artificile Cenni di intelligenz rtificile 68 Apprendimento supervisionto Apprendimento non supervisionto Crtteristiche:. L rete impr riconoscere un insieme di configurzioni di ingresso desiderte 2. È presente un supervisore che present gli esempi di corretti pttern ingresso-uscit 3. L rete viene ddestrt con l obiettivo di imprre gli esempi e di generlizzre d essi (x,,,x n ) esempio Rete neurle w modific pesi output dell rete Crtteristiche:. L rete impr riconoscere un insieme di configurzioni di ingresso desiderte 2. L rete cre opportuni cluster rppresenttivi dei dti stessi utilizzndo metodi topologici o probbilistici 3. L rete viene ddestrt con l obiettivo di imprre gli esempi e di generlizzre d essi d Lerning rule output desiderto Intelligenz Artificile Cenni di intelligenz rtificile 69 Intelligenz Artificile Cenni di intelligenz rtificile 70 Apprendimento competitivo Apprendimento con rinforzo Crtteristiche:. I neuroni competono per specilizzrsi riconoscere un determinto stimolo 2. All fine ogni stimolo ttiv un prticolre neurone ttundo un isomorfismo tr stimoli e neuroni di uscit Crtteristiche:. Tipico di sistemi che compiono zioni composte d sotto-zioni 2. Spesso pplicto nei csi in cui non è possibile specificre ptterns di ingresso-uscit come per i sistemi supervisionti 3. Al sistem viene fornito solo un rinforzo che questo interpret come segnle positivo/negtivo sul suo comportmento e ggiust i prmetri di conseguenz (x,,,x n ) Rete neurle (x,,,x n ) Rete neurle esempio output dell rete esempio output dell rete Rinforzo w modific pesi Critico Intelligenz Artificile Cenni di intelligenz rtificile 7 Intelligenz Artificile Cenni di intelligenz rtificile 72 2

13 Apprendimento supervisionto per perceptron Algoritmo di pprendimento Ide: minimizzre є = Σ x in TS ( k - d,k ) 2 Teorem di convergenz [Rosenbltt]: L lgoritmo di pprendimento per percettroni converge sempre n insiede di pesi che rppresentno correttmente gli esempi, se questi provengono d un funzione linermente seprbili. Si fiss un trining set di M esempi (il grssetto indic un vettore di elementi) TS = {( x k, d,k ): k = M } 2. Si inizilizzno i pesi w k con vlori csuli 3. Si present un coppi ( x k, d,k ) l perceptron 4. Si clcol l rispost k del perceptron 5. Si ggiornno i pesi con un regol dett delt rule w = ηδ x 6. Si ritorn l psso 3 finché tutte le risposte non sono corrette, cioè k = d,k, K= M Intelligenz Artificile Cenni di intelligenz rtificile 73 Intelligenz Artificile Cenni di intelligenz rtificile 74 continu Struttur delle reti - θ x Rete limentt in vnti: collegmenti unidirezionli senz cicli w w 2 Σ Rete strtifict: tutti i neuroni di uno strto sono connessi con tutti i neuroni dello strto successivo non esistono connessioni tr neuroni dello stesso strto x n w n delt rule δ = d d Rete ricorrente: configurzione rbitrri dei collegmenti Rete completmente conness w i (t+) = w i (t) + ηδ x i η = coefficiente di pprendimento (lerning rte) Intelligenz Artificile Cenni di intelligenz rtificile 75 Intelligenz Artificile Cenni di intelligenz rtificile 76 Reti 3 strti XOR Riconoscimento di singole regioni convesse: output input x e seprzione dei semipini clsse riconosciut x θ = 0.5 θ = θ = 0.5 x x Intelligenz Artificile Cenni di intelligenz rtificile 77 Intelligenz Artificile Cenni di intelligenz rtificile 78 3

14 Esercizi Soluzione. Dt l seguente rete multistrto individure l funzione implementt. θ =.5 x - - θ = 0.5 θ =-0.5 = x + x Intelligenz Artificile Cenni di intelligenz rtificile 79 Intelligenz Artificile Cenni di intelligenz rtificile 80 Esercizi Soluzione 2 2. Dt l funzione = x x 3 + x x 3 + x x 3 individure l rete multistrto che l implement. x - θ =.5 - θ =.5 θ = x 3 θ =.5 - Intelligenz Artificile Cenni di intelligenz rtificile 8 Intelligenz Artificile Cenni di intelligenz rtificile 82 Esercizi Soluzione 3 3. Dt l seguente rete multistrto individure l insieme dei punti del pino riconosciuti. θ =.5 x - x θ = θ =-0.5 x Intelligenz Artificile Cenni di intelligenz rtificile 83 Intelligenz Artificile Cenni di intelligenz rtificile 84 4

15 Reti 4 strti Apprendimento zon blu Le reti 4 strti possono seprre insiemi di regioni qulsisi output zon ross Gli lgoritmi di pprendimento per le reti multistrto non sono efficienti e non dnno grnzi di convergere verso un ottimo globle L lgoritmo di pprendimento utilizzto è noto con il nome di Bck Propgtion: x Problemi - modific dei pesi nello strto finle - modific dei pesi negli strti intermedi input x e L ggiunt di strti non miglior l cpcità di riconoscimento Intelligenz Artificile Cenni di intelligenz rtificile 85 Intelligenz Artificile Cenni di intelligenz rtificile 86 Osservimo Generlizzzione Utilizzndo le funzioni di uscit lineri qulsisi rete più strti srebbe riconducibile d un rete 4 strti (composizione di trsformzioni lineri) Per effetture clssificzioni complesse, i neuroni devono essere non lineri e orgnizzti in più strti Se lcuni esempi del trining set (insieme sul qule l rete pprende) sono inconsistenti, il processo di pprendimento non è detto che converg, cioè non è detto che i pesi delle singole connessioni si ssestino su un vlore Nei csi reli tle inconsistenz può essere trdott in rumore sui dti di ingresso Per GENERALIZZAZIONE di un rete intendimo l cpcità dell rete di riconoscere stimoli che sono diversi d quelli forniti nel trining set. Per vlutre tle fondmentle cpcità di un rete si definisce un ltro insieme di esempi, detto vlidtion set, sul qule l funzione di uscit dell rete è not, e si verific su questo l cpcità dell rete. Intelligenz Artificile Cenni di intelligenz rtificile 87 Intelligenz Artificile Cenni di intelligenz rtificile 88 Sovr-dttmento Clssificzione Errori commessi sul vlidtion set potrebbero essere dovuti d uno scrso numero di neuroni nscosti presenti nell rete. In ltre prole l insieme d seprre/riconoscere potrebbe essere più complesso di qunto immginto inizilmente. Un perceptron può essere ddestrto riconoscere se un pttern d ingresso pprtiene o meno d un determint clsse: = concvo 0 = convesso = cubo 0 = non cubo Quindi pochi neuroni nscosti potrebbero non essere sufficienti ridurre l errore globle nel riconoscimento Al contrrio troppi neuroni nscosti potrebbero fossilizzre eccessivmente l rete sugli esempi specifici del trining set. In tl cso l rete riconoscerebbe bene gli elementi del trining set, m srebbe pessim su esempi nuovi (situzione di OVERTRAINING) Intelligenz Artificile Cenni di intelligenz rtificile 89 Intelligenz Artificile Cenni di intelligenz rtificile 90 5

16 Appliczioni delle reti neurli Alberi di decisione. Pronunci di testi 2. Riconoscimento vocle 3. Riconoscimento di crtteri scritti mno Definizione: lbero t.c. ogni nodo interno rppresent un vribile, un rco verso un nodo figlio rppresent un possibile vlore per quell proprietà e un fogli il vlore predetto per l vribile obiettivo prtire d i vlori delle ltre proprietà, che nell'lbero è rppresentto del cmmino (pth) dll nodo rdice (root) l nodo fogli. Intelligenz Artificile Cenni di intelligenz rtificile 9 Intelligenz Artificile Cenni di intelligenz rtificile 92 Apprendimento Intelligenz Artificile Cenni di intelligenz rtificile 93 Intelligenz Artificile Cenni di intelligenz rtificile 94 Errore Intelligenz Artificile Cenni di intelligenz rtificile 95 Intelligenz Artificile Cenni di intelligenz rtificile 96 6

17 Algoritmo di pprendimento Algoritmi genetici. Si rccoglie un grnde insieme di esempi 2. Lo si divide in due insiemi disgiunti: ddestrmento e test 3. Si us l lgoritmo di pprendimento con gli esempi di ddestrmento per generre un ipotesi H 4. Si misur l percentule di esempi nell insieme di test che viene clssifict correttmente d H 5. Si ripete d 4 con insiemi di ddestrmento di dimensioni diverse con insiemi selezionti csulmente Definizione: lgoritmi che prtendo d un insieme di uno o più individue pplic un li selezion e utilizz opertori di riproduzione in modo d fre evolvere un individuo bene dttto Intelligenz Artificile Cenni di intelligenz rtificile 97 Intelligenz Artificile Cenni di intelligenz rtificile 98 continu Cos è l funzione di degutezz? f: I R Come è rppresentto un individuo? string su un lfbeto finito Come vengono selezionti gli individui? selezione stocstic con probbilità di selezione proporzionle ll degutezz Come si riproducono gli individui? incrocio e mutzione Intelligenz Artificile Cenni di intelligenz rtificile 99 Intelligenz Artificile Cenni di intelligenz rtificile 00 7