triennale-appunti-steffo/docs/route-ApprendimentoSistemiArtificiali.chunk.6ccd3.esm.js

(window.webpackJsonp=window.webpackJsonp||[]).push([[4],{"+W+u":function(i){i.exports={red:"red__2ZgaK",orange:"orange__1QDSv",yellow:"yellow__1mKxd",lime:"lime__3OQuR",cyan:"cyan__3hByg",blue:"blue__N_pXd",magenta:"magenta__p6ayd",tick:"tick__nv1-b"}},"2e/m":function(i,e,n){"use strict";(function(i){var l=n("UrZR"),t=n.n(l);e.a=function(e){return i("table",{class:t.a.tablepanel},e.children)}}).call(this,n("hosL").h)},"3duz":function(i){i.exports={red:"red__z2C0u",orange:"orange__3e-Zm",yellow:"yellow__2CxNB",lime:"lime__33JDs",cyan:"cyan__1exnO",blue:"blue__16AH0",magenta:"magenta__3tO7w",example:"example__9acWs"}},"8uYk":function(i){i.exports={red:"red__339Cz",orange:"orange__24_8v",yellow:"yellow__1Jo9W",lime:"lime__34yV5",cyan:"cyan__3RqLr",blue:"blue__13Wnj",magenta:"magenta__2tkzq",box:"box__3cKyY",default:"default__v-emJ"}},"9cHI":function(i,e,n){"use strict";n.r(e),function(i){var l=n("OPqz"),t=n("imVn"),a=n("Wxxq"),o=n("QNda"),u=n("RMzO"),r=n("yDBo"),s=n("2e/m"),c=n("zDbI"),d=n("UEzA"),p=n("nFbj");let m,_,f,g,h,b,v,z,w,y,S,x,C,E,N,A,L,k,I,O,D,q,H,M,P,T,U,F,R,V,W,G,Q,B,j,Z,X,J,Y,K,$,ii=i=>i;const ei=String.raw;e.default=function(){return i("div",null,i("h1",null,"Apprendimento ed evoluzione in sistemi artificiali"),i(l.a,{title:"Informazioni"},i(t.a,{title:"Contatti"},i("ul",null,i("li",null,i("a",{href:"mailto:marco.villani@unimore.it"},"Prof. Marco Villani")))),i(t.a,{title:"Archivio"},i("p",null,"Se sei uno ",i("b",null,"studente dell'Unimore"),", puoi accedere all'",i("b",null,i("a",{href:"https://drive.google.com/drive/folders/1GcjP1Z5UtRjyAag7qjFQ-kx3s06G8ZoP"},"archivio del corso su Google Drive")),"."))),i(l.a,{title:"Esame"},i(t.a,{title:"Scritto"},i("ul",null,i("li",null,"Scegli 2 tra 6 domande possibili"),i("li",null,"90 minuti"))),i(t.a,{title:"Appelli"},i("ol",null,i("li",null,i(o.a,{to:"2020-06-23"})),i("li",null,i(o.a,{to:"2020-07-08"})),i("li",null,i(o.a,{to:"2020-07-22"}))))),i(l.a,{title:"NetLogo"},i(t.a,{title:"Cos'è?"},i("p",null,"NetLogo è un software di modellazione sistemi multiagente, da noi usato per le lezioni di laboratorio."),i("p",null,"Si può ",i("a",{href:"https://ccl.northwestern.edu/netlogo/download.shtml"},"scaricare")," o ",i("a",{href:"https://www.netlogoweb.org/launch"},"usare da browser"),"."),i("p",null,"Il suo codice sorgente è disponibile su ",i("a",{href:"https://github.com/NetLogo/NetLogo"},"GitHub"),", e ha una pagina di ",i("a",{href:"https://ccl.northwestern.edu/netlogo/docs/dictionary.html"},"documentazione"),"."),i("p",null,i("b",{style:"font-size: x-large;"},i("a",{href:"/apprendimento/netlogo"},"Consulta i miei appunti su NetLogo qui!"))))),i(l.a,{title:"Sistemi dinamici"},i(t.a,{title:"Cosa sono?"},i("p",null,"Sistemi naturali o artificiali che si basano su ",i("b",null,"leggi reversibili e deterministiche"),"."),i("p",null,"In natura, alcuni leggi possono sembrare irreversibili a livello macroscopico, ma sono in realtà reversibili a livello microscopico."),i(a.a,null,i("p",null,i("a",{href:"https://it.wikipedia.org/wiki/Modello_di_Ehrenfest"},i("u",null,"Urne di Ehrenfest")),": due urne con N palline; estraggo una pallina da una urna casuale ad ogni passo e la sposto nell'altra; con tante palline il sistema appare irreversibile."))),i(t.a,{title:"Fasi"},i("p",null,i("b",null,"Stati")," in cui si può trovare un sistema dinamico."),i("p",null,"Tutte insieme formano lo ",i("i",null,"(iper)",i("b",null,"spazio delle fasi")),".")),i(t.a,{title:"Attrattore"},i("p",null,"Lo ",i("b",null,"stato finale")," di un sistema dinamico."),i("p",null,"Tutte le fasi tendono a uno specifico attrattore.")),i(t.a,{title:"Elaborazione di informazione"},i("p",null,"I sistemi dinamici ",i("b",null,"elaborano informazione")," attraversando fasi e raggiungendo un attrattore."),i(a.a,null,"L'evoluzione biologica crea nuove specie partendo da quelle precedenti di maggiore successo fino a quando non si raggiunge la specie perfetta."),i(a.a,null,"Si può vedere l'universo come un gigantesco sistema dinamico. ",i("a",{href:"https://it.wikipedia.org/wiki/Ipotesi_della_simulazione"},"Che
                        E = - \frac{1}{2} \sum_{n, m} ( w_{nm} \cdot x_n \cdot x_m ) + \sum_n ( \theta_n \cdot x_n )
                    `))))),i(l.a,null,i(t.a,{title:"Apprendimento hebbiano"},i("p",null,"Un metodo per realizzare l'apprendimento nel modello di Hopfield."),i("p",null,"Si incrementa l'intensità delle sinapsi che connettono neuroni nello stesso stato, e invece si decrementa l'intensità di quelle che connettono neuroni in stati opposti."),i("p",null,"Considerando i neuroni spenti e quelli accesi come ",i(r.a,null,ei(T||(T=ii`0`)))," e ",i(r.a,null,ei(U||(U=ii`1`)))," rispettivamente, si ha che per ogni pattern:"),i(d.a,null,ei(F||(F=ii`
                        \Delta w_{ik} = (2 \cdot A_i - 1)(2 \cdot A_k - 1)
                    `))),i(a.a,null,"Così facendo, si insegna sia il pattern normale sia il suo complementare!")),i(t.a,{title:"Simmetria"},i("p",null,"Applicando l'apprendimento hebbiano al modello di Hopfield si ottengono sinapsi simmetriche."),i("p",null,"Se è valida questa proprietà, si può dimostrare che l'",i("b",null,"energia del sistema è sempre decrescente"),", e che quindi che tenderà a un punto fisso!"),i("p",null,i(u.a,null,"TODO: Dopo il prof dimostra la relazione tra input netto e overlap, e che il sistema converge al pattern più simile."))),i(t.a,{title:"Overlap di due pattern"},i("p",null,"Il numero di neuroni attivati in entrambi i pattern."),i(d.a,null,ei(R||(R=ii`
                        Q(A, B) = \sum_{i = 1}^n A_i B_i
                    `)))),i(t.a,{title:"Interferenza"},i("p",null,"Più pattern vengono imparati da un modello, più è facile che essi interferiscano tra loro."),i("p",null,"In caso di pattern completamente scorrelati tra loro, il limite di pattern imparabili è circa:"),i(d.a,null,ei(V||(V=ii`0.14 \cdot N`)))),i(t.a,{title:"Archetipi"},i("p",null,"Per minimizzare l'interferenza tra pattern, è possibile insegnare al modello un ",i("i",null,"archetipo"),": si insegna più volte il pattern originale applicandoci una minima quantità di interferenza casuale."))),i(l.a,{title:"Modello a percettroni"},i(t.a,{title:"Cos'è?"},i("p",null,"Un modello di rete neurale che supporta l'apprendimento e che presenta ",i("b",null,"più strati di neuroni"),"."),i("p",null,"Ha costi computazionali molto più bassi del modello di Hopfield.")),i(s.a,null,i("thead",null,i("tr",null,i("th",null,"Simbolo"),i("th",null,"Descrizione"))),i("tbody",null,i("tr",null,i("td",null,i(c.a,null,ei(W||(W=ii`N`)))),i("td",null,"Numero totale di neuroni nel sistema")),i("tr",null,i("td",null,i(c.a,null,ei(G||(G=ii`n`)))),i("td",null,"Numero di un neurone specifico")),i("tr",null,i("td",null,i(c.a,null,ei(Q||(Q=ii`w_{nm}`)))),i("td",null,"Intensità della sinapsi diretta da ",i(r.a,null,ei(B||(B=ii`n`)))," verso ",i(r.a,null,ei(j||(j=ii`m`))))),i("tr",null,i("td",null,i(c.a,null,ei(Z||(Z=ii`x_n`)))),i("td",null,"Emissione del neurone ",i(r.a,null,ei(X||(X=ii`n`))))),i("tr",null,i("td",null,i(c.a,null,ei(J||(J=ii`H(v)`)))),i("td",null,"Funzione che restituisce lo stato di un neurone dato un valore di input")),i("tr",null,i("td",null,i(c.a,null,ei(Y||(Y=ii`\sum_1^N ( w_n \cdot x_n )`)))),i("td",null,"Somma degli input di un neurone")),i("tr",null,i("td",null,i(c.a,null,ei(K||(K=ii`x_0`)))),i("td",null,"Neurone di offset"))))),i(l.a,null,i(t.a,{title:"Percettrone"},i("p",null,"Una ",i("b",null,"rete neurale")," che viene incapsulata all'interno di un singolo neurone."),i("p",null,"Utilizza un ",i("b",null,"semipiano di attivazione")," invece che una soglia."),i("p",null,"Ai neuroni in input si aggiunge un neurone speciale ",i(r.a,null,ei($||($=ii`x_0`)))," detto ",i("b",null,"neurone di offset")," che permette di semplificare la formula."),i("p",null,i(u.a,null,"TODO: scrivere e imparare le formule"))),i(t.a,{title:"Apprendimento"},i("p",null,"Si parte da intensità casuali delle sinapsi."),i("p",null,"Si prova a classificare degli esempi pre-classificati: se un esempio viene classificato nel modo sbagliato, si alterano le intensità delle sinapsi in direzione della sua classificazione corretta."))))}}.call(this,n("hosL").h)},JESo:function(i){i.exports={red:"red__1s_qO",orange:"orange__8yp3v",yellow:"yellow__zZSeb",lime:"lime__3c_Z7",cyan:"cyan__EdN8X",blue:"blue__3YDdr",magenta:"magenta__D6iXm",inline:"inline__1yl8V",block:"block__fPiiB"}},KN5E:function(i){i.exports={red:"red__1DpH3",orange:"orange__3qhHo",yellow:"yellow__mXAWd",lime:"lime__11zmP",cyan:"cyan__2_4sg",blue:"blue__27hdj",magenta:"magenta__3eYGb",todo:"todo__2IWIS"}},OPqz:function(i,e,n){"use strict";(function(i){var l=n("TWV3"),t=n("hosL");e.a=function(e){return i(t.Fragment,null,i("h2",null,e.title),i(l.a,null,e.children))}}).call(this,n("hosL").h)},OmdA:function(i){i.exports={red:"red__1-G1M",orange:"orange__26Xfh",yellow:"yellow__p5pgZ",lime:"lime__2wXxY",cyan:"cyan__289vE",blue:"blue__Zipdn",magenta:"magenta__39Nrz",title:"title__3ZVpg",contents:"contents__20_NI"}},PGF6:function(i,e,n){"use strict";var l=n("hosL");e.a=Object(l.createContext)(null)},Q7TX:function(i,e,n){"use strict";(function(i){n.d(e,"a",(function(){return s}));var l=n("JESo"),t=n.n(l),a=n("QRet"),o=n("8CDw"),u=n("wQ73"),r=n("PGF6");const s=Object.freeze({INLINE:t.a.inline,BLOCK:t.a.block});e.b=function(e){let n,l,c=Object(a.b)(o.a),d=Object(a.b)(u.a),p=Object(a.b)(r.a);return n=void 0===e.inline?d:e.inline,l=void 0===e.display?null===p?s.INLINE:p:e.display,i("img",n?{src:`https://latex.codecogs.com/svg.latex?\\inline {\\color{${c}} ${e.children} }`,alt:e.children,title:e.children,class:t.a.latex+" "+l}:{src:`https://latex
//# sourceMappingURL=route-ApprendimentoSistemiArtificiali.chunk.6ccd3.esm.js.map