Obiettivi della lezione

Capire cos’è un neurone artificiale e come elabora le informazioni.
Calcolare a mano l’output di un neurone a partire da input, pesi e bias.
Conoscere le principali funzioni di attivazione e il loro ruolo.
Capire la differenza tra un neurone singolo, un livello e una rete profonda.

1. Che cos’è un neurone artificiale

Un neurone artificiale è un piccolo modulo di calcolo che riceve più informazioni in ingresso (input), le pesa in base alla loro importanza, le somma insieme a un valore di correzione (bias) e infine decide, tramite una funzione di attivazione, quanto e se il segnale debba “passare” al livello successivo.

Un’analogia utile: immagina di dover decidere se uscire stasera. Guardi più fattori (quanto sei stanco, se hai compiti, se escono i tuoi amici) ma non tutti pesano allo stesso modo — un fattore può influenzarti più degli altri. Questo è esattamente il comportamento di un neurone artificiale.

Esempio pratico: la serata fuori

Fattore	Voto (input)	Peso
Stanchezza	3	0,5
Compiti per domani	8	1,2
Amici escono	9	0,8

Calcolo del valore grezzo (somma pesata + bias):

z = (3 × 0,5) + (8 × 1,2) + (9 × 0,8) + bias

Prova tu: scegli un valore di bias (ad esempio −5) e calcola il risultato di z.

2. La funzione di attivazione

Il valore grezzo z non basta: va “filtrato” da una funzione di attivazione, che decide con quale intensità il segnale si propaga. Le tre funzioni più comuni sono:

Gradino (step) — un interruttore acceso/spento:

f(z) = 1 se z ≥ 0, altrimenti f(z) = 0

Sigmoide — una manopola graduale, utile per leggere l’output come una probabilità:

f(z) = 1 / (1 + e⁻ᶻ)

ReLU (Rectified Linear Unit) — la più usata nelle reti moderne:

f(z) = max(0, z)

Prova tu: usando il valore di z calcolato sopra, calcola f(z) con la sigmoide (tasto eˣ della calcolatrice).

3. Dal neurone al livello (layer)

Più neuroni possono ricevere tutti gli stessi input, ma ciascuno con pesi e bias propri: è come avere più “giudici” diversi che guardano gli stessi fatti e prendono decisioni diverse. Questo insieme di neuroni si chiama livello (layer).

4. Dal livello alla rete neurale profonda

Impilando più livelli uno dopo l’altro, l’output di un livello diventa l’input del successivo. Ogni livello costruisce un’interpretazione via via più astratta di quella precedente (per esempio: pixel → bordi → forme → oggetto). Il calcolo completo, dall’input all’output, si chiama propagazione in avanti (forward propagation).

Approfondimenti per l’Istituto Tecnico

Per chi vuole andare oltreLa somma pesata è formalmente un prodotto scalare tra il vettore degli input e il vettore dei pesi, più il bias.Con più neuroni in un livello, i pesi si organizzano in una matrice: il calcolo dell’intero livello è un prodotto matrice-vettore.Il gradino non è derivabile in modo utile: per questo le reti che “imparano” tramite discesa del gradiente preferiscono sigmoide o ReLU.Numero di livelli e neuroni per livello sono scelte progettuali, chiamate iperparametri.

Domanda per la prossima lezione

Un singolo neurone può tracciare solo un confine di decisione molto semplice. Che cosa succede se il problema è troppo complesso per essere descritto da pesi fissi su pochi fattori? Come fa la rete a trovare da sola i pesi giusti?