Macchine coscienti 12

Una volta determinato l'input netto, attraverso la somma algebrica delle attivazioni e delle inibizioni arrivate, questo viene trasformato nell'input di attivazione dell'unità, seguendo una funzione sigmoide. Lo stato di attivazione determina come e quanto l'unità influenzi le altre con cui è collegata e lo stato di attivazione della unità di output lo si può definire come la risposta della rete alla attivazione esterna iniziale. Se la rete scopre regolarità negli stimoli, "impara" ex. le reti di Kohonen che sviluppano mappe di tratti. Un altro metodo di apprendimento è quello della back propagation in cui, durante l'apprendimento si presenta alla rete il pattern di attivazione in input e anche quello che ci si aspetta dalla rete in output (detto input di insegnamento). La rete calcola un pattern di output che è diverso da quello desiderato e poi calcola, per ogni unità di output, l'errore (la differenza tra lo stato di attivazione prodotto dalla rete per quell'unità e quello stabilito nell'input di insegnamento). L'errore serve a modificare i pesi delle connessioni. Generalmente questa operazione di riconfigurazione avviene sulla base della legge di Hebb, di rafforzare cioè le interconnessioni in proporzione al loro uso. Una variazione é, per esempio, la regola "Delta" di Bernard Widrow e Marcin Hoff, a sua volta una generalizzazione della regola di apprendimento del Percettrone, secondo cui il peso di una sinapsi va rafforzato di una quantità proporzionale alla differenza tra l'output fornito e l'output atteso (e così via ricorsivamente nei diversi strati)...

......