🧠 Rete Neurale Artificiale

Esplora Come i Neuroni Apprendono - Versione Deep Learning

🔬 Come Funziona

Una rete neurale multilayer perceptron (MLP) elabora informazioni attraverso neuroni connessi. Con il training supervisionato (backpropagation), impara aggiustando i pesi per ridurre l'errore.

2
1
4
0.3
💡 Deep Learning Attivato! Con 2 hidden layers, la rete può apprendere pattern più complessi. Il primo layer trova caratteristiche semplici, il secondo le combina in pattern avanzati!

🏗️ Architettura Rete

2 → 4 → 1

🔢 Configura Input e Target

Input 1: Input 2: 🎯 Target:

📖 Legenda Visualizzazione Rete

🔵 Neuroni (Cerchi)

BLU: Neuroni di Input
VERDE: Neuroni Hidden
ARANCIONE: Neuroni Output

💡 L'intensità del colore indica l'attivazione: più brillante = più attivo

🎨 Colore delle Connessioni

VERDE: Peso positivo
ROSSO: Peso negativo

💡 Peso positivo = aumenta il segnale
Peso negativo = diminuisce il segnale

📏 Spessore delle Connessioni

SOTTILE: Peso debole (poco importante)
MEDIO: Peso moderato
SPESSO: Peso forte (molto importante)

💡 Lo spessore è proporzionale al valore assoluto del peso

🔢 Valori Visualizzati

Numero sotto il neurone:
Valore di attivazione (0-1)
Etichetta nel neurone:
I1, I2 = Input
H1, H2 = Hidden
O = Output

💡 0.00 = neurone "spento"
1.00 = neurone "completamente attivo"

📚 Come Interpretare: Durante il training, le connessioni spesse e colorate indicano quali input sono più importanti per produrre l'output desiderato. La rete "impara" modificando questi pesi!
0.000
Output
0.000
Loss
0
Parametri
3
Layers Totali
0
Iterazioni

📊 Confronto Performance

1 Hidden Layer
Parametri: -
Velocità: ⚡⚡⚡
Complessità: Bassa
2 Hidden Layers
Parametri: -
Velocità: ⚡⚡
Complessità: Alta

💡 Più layers = più capacità di apprendimento, ma anche più tempo per il training!

Sviluppato da SBDI StudioLab | LaboratorioIA con AI App

Torna a LaboratorioIA