Vai al contenuto
← Intelligenza Artificiale · Lezione 5
Intelligenza Artificiale · Lezione interattiva

Le reti neurali

Le reti neurali sono usate nel riconoscimento di immagini, nella traduzione automatica e nei modelli del linguaggio. Partiamo da un neurone artificiale: calcoliamo la sua uscita, poi colleghiamo più neuroni e vediamo come si addestrano. Nel laboratorio puoi modificare input, pesi, bias e funzione di attivazione.

Nel Capitolo 2 c'è un neurone interattivo: muovi input, pesi e attivazione e guarda il calcolo aggiornarsi.

1
Capitolo 1

Ispirate al cervello

Il nostro cervello è fatto di miliardi di neuroni collegati fra loro. Ognuno riceve segnali da altri neuroni e, se lo stimolo complessivo è abbastanza forte, «si attiva» e passa il segnale ai successivi. Le reti neurali artificiali sono ispirate, alla lontana, a questo meccanismo.

⚠️ Ispirazione, non copia

Attenzione: una rete neurale artificiale non è un cervello, né lo simula davvero. È un modello matematico che prende in prestito solo l'idea di base (tante unità semplici collegate) per trasformare dati in ingresso in una previsione. Il collegamento biologico è un’ispirazione; qui descriviamo operazioni matematiche, senza dedurne conclusioni sulla coscienza.

2
Capitolo 2

Il neurone artificiale

Un neurone artificiale riceve degli input, calcola una somma pesata con un bias e applica una funzione di attivazione per ottenere l'uscita.

  1. Ogni input x viene moltiplicato per un peso w (quanto quell'input è importante).
  2. Si sommano tutti i prodotti e si aggiunge un bias b (un termine aggiuntivo regolabile): ottieni un numero z.
  3. Si passa z in una funzione di attivazione f, che produce l'uscita y.

In una formula: y = f(w₁·x₁ + w₂·x₂ + b). Nel laboratorio muovi input, pesi e bias e scegli l'attivazione: vedrai il calcolo aggiornarsi passo passo.

Il laboratorio calcola l’uscita per i valori che scegli: non addestra il neurone. Il bias b sposta la somma prima dell’attivazione; in questa formula «bias» non indica il pregiudizio di un dataset.

🧪 Laboratorio · un neurone al lavoro
x₁ = 1.0
x₂ = 0.5
→
Σ · f
→
—
uscita y
z = w₁·x₁ + w₂·x₂ + b = —
y = —
📘 I pesi sono ciò che si impara

I pesi (e i bias) sono i «numeri interni» del neurone, i suoi parametri. Addestrare la rete significa proprio trovare i pesi giusti, con la discesa del gradiente vista nella Lezione 2. Collegando più neuroni, l’uscita di alcuni diventa l’ingresso dei successivi.

3
Capitolo 3

La funzione di attivazione

Perché passare la somma z in una funzione? Perché senza, una rete (per quanto grande) resterebbe capace solo di tracciare linee rette. L'attivazione introduce la non-linearità che le permette di piegarsi e imparare forme complesse.

attivazionecosa fa
Gradinouscita 0 oppure 1 (acceso/spento). La più antica, oggi poco usata.
Sigmoide«schiaccia» qualsiasi numero fra 0 e 1: utile per una probabilità.
ReLUlascia passare i positivi, azzera i negativi. È un’attivazione comune nel deep learning.
💡 Provale nel laboratorio

Torna al neurone del capitolo precedente e cambia l'attivazione con gli stessi input: noterai che l'uscita y si comporta in modo diverso. È questa piccola «piega» non lineare, ripetuta su tanti neuroni, a permettere alla rete di rappresentare relazioni non lineari.

4
Capitolo 4

Dai neuroni ai livelli

I neuroni si organizzano in livelli (layer). Collegando un livello al successivo, l'uscita del primo diventa l'ingresso del secondo, come mostra il diagramma.

Input
→
Nascosto
→
Nascosto
→
Uscita
  • Il livello di input riceve i dati grezzi (i pixel di un'immagine, le parole di una frase…).
  • I livelli nascosti (in mezzo) trasformano l'informazione passo dopo passo, riconoscendo schemi via via più astratti.
  • Il livello di uscita dà la risposta finale (una classe, un numero…).
📘 Ecco perché «deep»

Deep learning = reti con molti livelli nascosti («profonde»). Più livelli permettono di comporre concetti sempre più complessi: nelle immagini, i primi livelli colgono bordi e colori, quelli successivi forme, poi occhi e nasi, infine «un volto». I livelli compongono quindi trasformazioni via via più articolate.

5
Capitolo 5

Come impara una rete: la backpropagation

Una rete inizializzata da zero parte generalmente da pesi casuali. Ogni passo di addestramento comprende previsione, calcolo delle derivate e aggiornamento dei parametri, spesso su un piccolo gruppo di esempi.

  1. Passaggio in avanti (forward pass): i dati entrano, attraversano i livelli e la rete produce una previsione. Si calcola la perdita (quanto ha sbagliato).
  2. Propagazione all’indietro (backpropagation): applica la regola della catena per calcolare le derivate della perdita rispetto ai parametri. L’ottimizzatore, per esempio la discesa del gradiente, usa poi queste derivate per aggiornare i pesi.

Ripetendo il ciclo sugli esempi, l'addestramento cerca valori dei pesi che riducano la perdita. È il principio della Lezione 2, aggiornare i parametri a piccoli passi, applicato a tutti i parametri della rete.

💡 In una frase

Il gradiente indica come cambia localmente la perdita se cambia un parametro: non assegna a ciascun peso una quota di «colpa». La backpropagation calcola questi gradienti; l’ottimizzatore decide gli aggiornamenti e usa un tasso di apprendimento.

Dall’uscita a un passo di addestramento

Un neurone con uscita lineare riceve x = 2; parte da w = 0,5 e b = 0. L’obiettivo è y = 2. La previsione è 1 e la perdita quadratica, che chiamiamo L, su questo esempio è (1 − 2)² = 1.

La scrittura ∂L/∂w significa «quanto varia localmente la perdita L quando cambia il peso w»; ∂L/∂b descrive lo stesso per il bias. Puoi usare le formule seguenti senza saperle derivare. I gradienti sono ∂L/∂w = 2·(1 − 2)·2 = −4 e ∂L/∂b = 2·(1 − 2) = −2. Con tasso 0,1 sottrai a ciascun parametro 0,1 volte il suo gradiente: w = 0,5 − 0,1·(−4) = 0,9 e b = 0 − 0,1·(−2) = 0,2. Calcoli entrambi gli aggiornamenti dai valori iniziali. La nuova previsione è 0,9·2 + 0,2 = 2: perdita zero su questo unico esempio. Non basta a dire che il neurone funzionerà su altri dati.

Un batch è il gruppo di esempi usato per un aggiornamento; un’epoca è un passaggio sull’intero insieme di addestramento. La regolarizzazione limita la tendenza ad adattarsi troppo ai dati visti; la validazione aiuta a scegliere complessità e momento di arresto.

Per approfondire il calcolo delle derivate: autograd nella documentazione PyTorch, verificata l’11 ottobre 2026.

6
Capitolo 6

Quali relazioni possono apprendere

Due caratteristiche aiutano a capire perché le reti profonde sono usate su immagini, audio e testo.

  • Apprendono le rappresentazioni dei dati. Con molti modelli classici si scelgono esplicitamente le caratteristiche in ingresso. Una rete profonda può apprendere trasformazioni di questi dati, livello dopo livello, durante l’addestramento.
  • Rappresentano relazioni complesse. La composizione di livelli e attivazioni permette di descrivere funzioni più articolate di una retta. La capacità di rappresentarle non garantisce però che l’addestramento trovi una soluzione utile sui dati nuovi.

È questo che le rende la tecnologia dietro le immagini, la voce e il linguaggio: dominî dove le «regole» sono troppe e troppo sfumate per scriverle a mano, ma abbondano gli esempi da cui imparare.

7
Capitolo 7

Costi e limiti

Nella scelta di una rete profonda occorre considerare dati, risorse di calcolo e interpretabilità.

  • Dati e calcolo. L'addestramento può richiedere molti esempi e schede grafiche (GPU), con costi in tempo, denaro ed energia che dipendono dalla rete e dal compito.
  • Sono «scatole nere». Con milioni di pesi, capire perché una rete ha deciso così è molto difficile. Un problema serio dove serve trasparenza.
  • Possono fare overfitting ed ereditare i bias dei dati, come accade anche ad altri modelli.
📘 Confrontare qualità e costi

Le reti neurali sono molto usate per immagini, testo e audio. Sui dati tabellari conviene confrontarle anche con modelli classici: valuta le prestazioni, le risorse necessarie e quanto sia facile spiegare le previsioni.

Nella prossima lezione vediamo un tipo di rete progettato per elaborare immagini: le reti convoluzionali (CNN), e il ruolo dei filtri nella loro elaborazione.

8
Capitolo 8

Verifica finale

Dieci domande sulle reti neurali. Rispondi a tutte, poi premi «Correggi». Puoi sempre riprovare.

1. Le reti neurali artificiali sono ispirate…
Prendono in prestito l'idea di tante unità semplici collegate; non sono un vero cervello.
2. Un neurone artificiale calcola…
y = f(w₁·x₁ + w₂·x₂ + b): pesa, somma, applica l'attivazione.
3. I «pesi» di una rete sono…
Sono i parametri interni: addestrare = trovare i pesi giusti con la discesa del gradiente.
4. La funzione di attivazione serve a…
Senza, la rete potrebbe fare solo linee rette; l'attivazione la fa «piegare».
5. Senza attivazione, impilare tanti neuroni…
Somme di funzioni lineari restano lineari: serve la non-linearità dell'attivazione.
6. Un «livello nascosto» è…
I livelli nascosti (in mezzo) trasformano l'informazione riconoscendo schemi via via più astratti.
7. Un’epoca di addestramento corrisponde a…
Un batch è un gruppo usato per un aggiornamento; un’epoca completa il passaggio su tutti gli esempi di addestramento.
8. Che cosa calcola la backpropagation?
Il gradiente descrive una variazione locale della perdita. Un ottimizzatore usa queste derivate per aggiornare i parametri.
9. Una capacità delle reti profonde è…
Durante l’addestramento apprendono rappresentazioni dei dati, trasformandole livello dopo livello.
10. Uno svantaggio delle reti profonde è…
Difficili da interpretare, e richiedono tanti dati e potenza di calcolo (GPU).
★
Glossario

Le parole chiave

Neurone artificiale
Unità che pesa, somma e attiva gli input.
Peso
Numero che dice quanto conta un input.
Bias
Termine aggiuntivo regolabile prima dell’attivazione.
Funzione di attivazione
Introduce non-linearità (ReLU, sigmoide…).
ReLU
Lascia passare i positivi, azzera i negativi.
Livello (layer)
Un gruppo di neuroni allo stesso stadio.
Livello nascosto
Livello intermedio fra input e uscita.
Deep learning
Reti con molti livelli nascosti.
Forward pass
Il calcolo dell'uscita, dall'input avanti.
Backpropagation
Calcolare le derivate della perdita rispetto ai parametri, applicando la regola della catena.
Scatola nera
Modello difficile da interpretare.
Parametri
Pesi e bias: ciò che si impara.

Lezione interattiva · Le reti neurali

Tengo corsi di programmazione, analisi dati e intelligenza artificiale per aziende ed enti di formazione, in aula e da remoto. Scopri come insegno e quali materiali uso a lezione.