Introduzione Alle Reti Neurali 05: L'Addestramento Automatico 

È la prima volta che mi sento in obbligo di commentare un video. Ottima presentazione, semplice, piacevole, pratica. Grazie mille

lo so che arrivo dopo anni, ma ti ho adorato dal primo fino all'ultimo video. Chiaro, preciso e divertente

I video sono fatti veramente bene e spiegati in modo molto comprensibile. Abbiamo bisogno del seguito!

Complimenti , fatto molto bene e con la giusta ironia per tener svegli i più distratti :)

Ti prego continua! Mi sta intrigando moltissimo!

Complimenti per la serie di video che hai realizzato. La migliore che ho trovato sul tema

Complimenti per i video, davvero ottima spiegazione!!

Se in prima battuta ... dovessi dire tutto chiaro chiarissimo e quindi ... chiamato alla lavagna e messo sotto interrogazione di verifica ... allora la cosa sarebbe dura ... se invece dovessi rispondere in termini di traccia mentale complessiva ... allora direi che l'ascolto è stato estremamente stimolante e piacevole ... ovvero ... sarebbe come osservando uno scultore mentre opera - a lavoro, ovviamente. non ancora avanzato. intravedere - la sagoma e il volto del personaggio trattato ... Insomma ... scusandomi per lo svolazzo metaforico ...DICO GRAZIE per questa fresca e piacevolissima disinvolta serie di LEZIONI ...

Sei un grande. Semplice, chiaro, ottimi esempi.

Ottimi video, davvero complimenti!

Ottima serie di video, super chiari ed approfonditi al punto giusto. Complimenti!

Arrivo in ritardo, ma devo complimentarmi, con l'augurio di trovare videolezioni di pari valore.

Grande davvero bel video Sarebbe bello se ne facessi altri

secondo me sei davvero bravo a spiegare. ti prego continua

la scopro solo ora questa serie peccato sia finita. Complimenti per il modo di insegnare.

Bellissimo e interessantissimo video!

Hai fatto un bel lavoro, complimenti

Studio giurisprudenza ma riesco comunque a capire tutti i video. Spieghi benissimo! Mi raccomando continua a farli!

Grazie mille molto interessante!

Veramente interessanti e ben fatti, spero presto tu possa fare i video di approfondimento. Molto utili i riferimenti agli strumenti presenti in rete !!! Grazieee !!

SEI UN GRANDE

Torna per favore, sei il migliore

Ottimi video, davvero complimenti! A quando altri?

Mi sono perso il tuo video precedente., ma comunque sono felice che tu sia tornato su yt: continua così😁 spieghi molto bene

molto molto molto bravo

L'unico che non fa sfoggio inutile e incomprensibile di cose "fighe" a caso che poi non capisce nessuno. Grazie. Volevo aggiungere che trovo didatticamente sensato non usare le librerie di python da subito ma fare le cose "a mano" all'inizio, perchè permette di mettere in pratica la teoria che davvero è stata spiegata così come è stata spiegata. Senza scorciatoie. Diversamente avrebbe creato solo confusione in un argomento già molto molto difficile. In tutti gli altri video che ho visto serve un dottorato nelle singole librerie che hanno usato per capire cosa stiano facendo e la teoria non viene nemmeno spiegata bene.

Complimenti, serie di video molto comprensibili perché spiegato con un esempio pratico. Potresti forse scrivere anche un libro, magari implementando una rete più complessa. Grazie

che figata

Vogliamo la prossima

grazie

È davvero un piacere seguire queste lezioni, quando farai uscire altro?

389 iscritti questo qui spiega le cose meravigliosamente bene.. poi vai in un canale qualsiasi di dementi e trovi k iscritti. evidentemente qualcosa non funziona

Ti prego continua i video

Riccardo dove sei??? Ci manchi

Ciao molto interessante l'articolo, faccio una osservazione: Lanciando più volte il codice ogni tanto notavo che il risultato non era corretto, al che ho cercato di approfondire. Mi sono accorto che per i seguenti combinazioni di pesi iniziali, il risultato era errato. Quindi: Invece di impostare random i pesi e il bias iniziale, ho impostato i valori in maniera fissa; w1 = 0.93 w2 =0.13 b=0.30 il risultato è che tutti i gatti hanno come obiettivo 1 -> che in altre parole sono tutti uguali. Tengo presente che sia le iterazioni che il valore del learning li ho lasciati come da esempio. Analizzando più affondo Il problema ho notato che per certi valori di partenza il Sigmoide è talmente piccolo che non basta il numero di iterazioni o il valore di learning precedentemente impostato. Quindi segue la domanda : dato che l'algoritmo è sensibile ai valori di partenza, come calibrare i valori di iterazione/learnig e i pesi di modo chè la RN dia sempre un risultato coerente ?? Grazie

grande! davvero bravo! spiegazione ottima! Posso farti una domanda? Qualsiasi tipo di intelligenza artificiale ha come base le reti neurali?

Innanzitutto grazie per la serie di video. Una cosa non mi torna a livello di calcolo: alla fine quando fai vedere i dati per il point 7 (quindi ottava cell di valori nell’array) hai una dcost_dpred di -0.0135 e una dpred_dz di 0.0067. Come fa dcost_dz a venire 0.0006? Innanzitutto il segno già dovrebbe essere negativo e poi il prodotto dovrebbe essere intorno a -0.00009. Grazie!

Complimenti per il video, sto effettuando la mia tesi di laurea sulle reti neurali applicate ad eventi franosi, mi spiego meglio praticamente attraverso la lettura di alcune matrici che contengono dati numerici quali ad esempio pendenza del terreno, angolo di esposizione ecc ecc ed attraverso zone note in cui sono avvenute delle frane, devo valutare se altre parti del territorio possono essere soggette a frana o meno. Ora io non ho mai programmato quindi non saprei proprio come partire e nemmeno dove poter trovare qualcosa che mi possa aiutare. chi può darmi qualche consiglio?

Grazie, diciamo che è la prima volta che capisco sul serio i concetti alla base (gli esempi pratici funzionano sempre, c'è poco da fa'). Mi vengono però due domande, se "ascolti" ancora magari mi rispondi. a) Che succede se ho più di due possibili catalogazioni? Se ad esempio i gatti fossero di tre tipi anziché due, non sarebbe più sufficiente la Sigmoide? b) facciamo un passo indietro, non ho capito perché trasformi i numeri grossi in numeri più piccoli, tipo da 50 a 5.0. Grazie ancora e keep up with the good work!!

Ciao, non ho capito come funziona il codice sulle linee 46,47 e 48. Tu dici che sono derivate parziali di z rispetto a w1,w2 e il bias, ma utilizzando: "point[0]" non dovebbe richiamare la variabile "point" sulla linea 32 e quindi non dovrebbe ritornare il valore del gatto in posizione zero ? Poi perché sulla linea 48 del bias l'hai inizializzato = 1 ? Spero riuscirai ad aiutarmi grazie

Tutto chiarissimo complimenti, nei prossimi video approfondirai le reti neurali in Python?

I tuoi video sono davvero ottimi|, pensi di continuare?

Utilissimo hai qualche libro da consigliare?

ciao ma quale sarebbe il codice di python, per rappresentare graficamente l'errore quadratico ?

ciao, ti volevo chiedere se si possono mettere anche 3 diversi "gatti" invece che 2

hai usato la discesa del gradiente per trovare i pesi e il bias ottimi.

grazie Riccardo, grande capacità divulgativa. Hai pubblicato qualcosa di nuovo dopo questo?

Ciao, innanzitutto complimenti per il video. Non ho ben capito (intorno al minuto 1:55) il significato di point[0], point[1], point[2]. Il point è un gatto casuale che scelgo, ma i numeri nelle parentesi quadre cosa vogliono dire? E non mi è ben chiaro il signifcato di target. Ti ringrazio!

Scusa l'ignoranza ma questo programma mi sembra non faccia altro che dare come output un numero molto vicino a 0 quando gli diciamo che il gatto è del tipo 0 e molto vicino a 1 quando gli diciamo che il gatto è del tipo 1. Qual è la parte interessante?

grazie per i video. Quindi per addestrare la rete devo prendere in modo randomico i punti (inputs, output) dal database(nel tuo caso 10000 volte) e poco importa se i punti sono pochi e si ripeteranno spesso. Ogni volta che completo il processo ( forward + back propagation) uso un nuovo punto preso randomicamente e ho un miglioramento. Corretto? :$

Continuerai a farne altri?

Ciao, anzitutto complimenti per i tutorial sei bravissimo: ho seguito passo passo li script python però mi stampa un array di solo "sabbia", potresti aiutarmi? import math as mt import random as rd rd.seed(1) def RN(m1,m2): t= m1*w1+m2*w2+b return sigmoide(t) def sigmoide(t): return 1/(1+mt.exp(-t)) #mt.exp(-t) = e^(-t) dataset=[[9,7.0,0],[2,5.0,1],[3.2,4.94,1],[9.1,7.46,0],[1.6,4.83,1],[8.4,7.46,0],[8,7.28,0],[3.1,4.58,1],[6.3,9.14,0],[3.4,5.36,1]] def sigmoide_p(t): return sigmoide(t)*(1-sigmoide(t)) def train(): w1=rd.random() w2=rd.random() b=rd.random() iterazioni= 10000 learing_rate = 0.1 for i in range(iterazioni): ri = rd.randint(0,len(dataset)-1) point= dataset[ri] z=point[0] * w1 + point[1] * w2 + b pred=sigmoide(z) target = point[2] cost=(pred - target)**2 dcost_dpred = 2*(pred - target) dpred_dz = sigmoide_p(z) dz_dw1=point[0] dz_dw2=point[1] dz_db=1 dcost_dz=dcost_dpred * dpred_dz dcost_dw1=dcost_dz * dz_dw1 dcost_dw2=dcost_dz * dz_dw2 dcost_db=dcost_dz * dz_db w1= w1 - learing_rate * dcost_dw1 w2 = w2 - learing_rate * dcost_dw2 b = b - learing_rate * dcost_db return w1, w2, b w1, w2, b=train() pred=[] for gatto in dataset: z= w1 * gatto[0] + w2 * gatto[1] + b predction = sigmoide(z) if predction

Non è tanto carino sparire senza spiegazioni ...