Una rete neurale rappresenta un modello computazionale costituito da neuroni artificiali. La rete neurale è formata da un gruppo di neuroni, che svolgono una specifica funzione all’interno di un laboratorio. La rete neurale prende spunto dalla rete neurale biologica, caratteristica dell’uomo o dell’animale. Le interconnessioni che sono presenti all’interno di una rete neurale derivano dalla presenza di neuroni artificiali e calcoli, basati su un modello delle scienze cognitive, chiamato connessionismo. Una rete neurale ha l’aspetto di un sistema adattivo, in grado di cambiare la sua struttura, i suoi nodi e le sue interconnessioni, facendo riferimento a dati interni ed esterni, che si collegano tra loro. Le informazioni passano attraverso la rete neurale nel corso delle fasi dell’apprendimento e del ragionamento. È possibile distinguere tra reti neurali biologiche e reti neurali artificiali. Le reti neurali biologiche ricevono i dati dall’esterno, vengono elaborati attraverso un elevato numero di neuroni, connessi tra loro da una struttura non lineare, fornendo come risposta quanto è stato ricevuto dagli stimoli esterni. Le reti neurali biologiche formano un modello matematico – informatico. Le reti neurali artificiali sono strutture non lineari di dati statistici, che ricevono stimoli esterni su uno strato di nodi. Ogni nodo di entrata si collega a nodi interni, organizzati per livelli successivi, dove ogni nodo elabora lo stimolo ricevuto, restituendo dei segnali. Le reti neurali artificiali sono costituite da tre livelli: il livello d’ingresso, il livello nascosto, il livello di uscita. Le reti neurali artificiale vanno istruite perché il procedimento dia risultati adeguati e possano risolvere i problemi che potrebbero crearsi. L’apprendimento di una rete neurale si collega al tema del Machine Learning, un sistema di algoritmi che si basa su metodi matematici – computazionali per acquisire informazioni attraverso l’esperienza. Nel 2009 è stata creata la prima applicazione di successo in tema di reti neurali artificiali. Il nuovo approccio è stato definito Deep Learning, Apprendimento Profondo. Il Deep Learning di una rete neurale artificiale è costituita da due livelli nascosti, anche se può nasconderne fino a dieci. Il Deep Learning delle reti neurali artificiali si stanno sviluppando negli ultimi tempi attraverso lo sviluppo di specifiche applicazioni per l’intelligenza artificiale. Alcuni esempi di applicazioni di reti neurali artificiali legate al Deep Learning possono essere: macchine automatiche di traduzione, colorazione automatica di immagini in bianco e nero, aggiunta di suoni a video muti, generazione automatica delle scritture a mano e di didascalie ad immagini, lettura delle labbra. Un’evoluzione ulteriore del Deep Learning si è registrato grazie all’uso di un algoritmo specializzato ed innovativo, definito “convoluzionale”. Mediante questo algoritmo, si è costituita la rete neurale convoluzionale, che insegna alle macchine a riconoscere e ad apprendere attraverso l’astrazione. Negli ultimi anni, le reti neurali hanno assunto un ruolo importante nel campo della bioinformatica, dove vengono usate per la ricerca di pattern funzionali e strutturali per proteine e acidi nucleici
