Le reti neurali artificiali (RNA) sono algoritmi di apprendimento sotto forma di programmi per computer o hardware. Le RNA sono caratterizzate da un’architettura e da un metodo di formazione. L’architettura di rete si riferisce al modo in cui gli elementi di elaborazione sono collegati e alla direzione dei segnali scambiati, con un elemento o unità di elaborazione che rappresenta invece un nodo in cui i segnali di ingresso convergono e vengono trasformati in uscite attraverso funzioni di trasferimento o di attivazione.
I valori delle uscite sono solitamente moltiplicati per i pesi prima che raggiungano un altro nodo. Lo scopo dell’addestramento è quello di trovare i valori ottimali di questi pesi secondo un criterio. Nell’addestramento supervisionato, gli ingressi vengono presentati alla rete e le uscite vengono confrontate con le uscite desiderate o di destinazione. I pesi vengono poi adattati per ridurre al minimo una funzione oggettiva come, ad esempio, l’errore quadratico medio della radice.
Nell’addestramento non supervisionato, ancora, la rete stessa trova i propri parametri ottimali. Sebbene esistano diversi tipi di reti neurali, un semplice esempio di RNA è il percotrone multistrato. I gruppi centrali di unità sono chiamati strati nascosti e gli altri due strati di ingresso e di uscita. Le funzioni di trasferimento negli strati di input e di output possono essere identità, e quelle dello strato nascosto sono di solito funzioni tangenti sigmoide o iperboliche. Queste funzioni mappano la somma degli ingressi ponderati nell’intervallo tra zero e uno o tra meno uno e più uno. Il flusso di segnali nell’esempio è unidirezionale, dando il nome feedforward all’intera rete. Si può avere anche l’uscita dalla rete e collegarla agli ingressi, portando così a reti ricorrenti che sono utili per la modellazione di serie temporali. Tipicamente, gli strati nascosti contengono diversi elementi di elaborazione. Ovviamente le uscite sono modellate come funzioni altamente non lineari degli ingressi originali.