Cos'è adaline?

Adaline (abbreviazione di Adaptive Linear Neuron) è un tipo di rete neurale artificiale sviluppato negli anni '60 da Bernard Widrow e Marcian Hoff. L'adaline è una forma semplificata di rete neurale che utilizza un singolo neurone per eseguire l'apprendimento tramite una regola di correzione dell'errore chiamata "regola di Widrow-Hoff" o "regola di apprendimento delta".

Il neurone adaline è costituito da un singolo nodo di calcolo con più ingressi, pesi associati a ciascun ingresso e una funzione di somma pesata che combina gli ingressi con i pesi corrispondenti. A differenza di altri tipi di reti neurali come il percettrone, l'adaline utilizza una funzione di attivazione lineare piuttosto che una funzione di attivazione binaria.

L'apprendimento nell'adaline viene eseguito in due fasi: fase di feedforward e fase di correzione degli errori. Durante la fase di feedforward, gli ingressi vengono combinati con i pesi corrispondenti e sommati insieme per ottenere un'uscita. L'uscita viene quindi confrontata con il valore corretto e l'errore viene calcolato.

Nella fase di correzione degli errori, l'errore viene utilizzato per aggiornare i pesi in base alla regola di apprendimento delta. Questa regola aggiorna i pesi in modo tale che l'errore diminuisca progressivamente, fino a quando l'errore diventa sufficientemente piccolo o raggiunge una soglia di accettazione stabilita.

L'adaline può essere utilizzato per problemi di classificazione binaria o di regressione, dove l'obiettivo è prevedere un valore numerico. Tuttavia, a causa della sua semplicità, l'adaline può avere limitazioni nell'adattarsi a dataset complessi o non linearmente separabili.

Nonostante le limitazioni, l'adaline ha contribuito allo sviluppo delle reti neurali e ha aperto la strada a ulteriori ricerche nel campo dell'apprendimento automatico.