Een neuraal netwerk of kunstmatig neuraal netwerk (kunstmatig neuraal netwerk) is een complex computersysteem gebaseerd op de neurale structuur van het menselijk brein. Ze dienen als basis voor machine learning, waardoor computers gegevens kunnen leren en interpreteren. Het proces is gebaseerd op het ontvangen van inputgegevens, het verwerken ervan op verschillende niveaus met behulp van verstelbare gewichten (configureerbaar in de trainingsfase) en het produceren van een voorspelbaar resultaat.

Interne structuur
Neurale netwerken werken volgens het principe van het nabootsen van de biologische neuronen waaruit het menselijk brein bestaat. Net zoals neuronen signalen via synapsen naar andere neuronen verzenden, verzenden Ann ‘ s gegevens via een netwerk van onderling verbonden lagen van knooppunten, of “kunstmatige neuronen”.”

Elke knoop past een specifieke functie toe op de invoergegevens en geeft het resultaat door aan de volgende laag. Het netwerk wordt getraind door de gewichten en verschuivingen van deze knooppunten aan te passen, afhankelijk van de voorspellingsfout van de uitgangsgegevens. Deze methode staat bekend als de back propagation methode.

Soorten neurale netwerken

• Neurale netwerken met directe communicatie (FNN). De informatie in FNN beweegt slechts in één richting-van de invoerlaag via de verborgen lagen naar de uitvoerlaag. Ze worden veel gebruikt bij beeldherkenningstaken.
• Convolutionele neurale netwerken (CNN). CNN ‘ s zijn ontworpen om rasterachtige gegevens te verwerken. Ze hebben samentrekkingslagen die filters toepassen op de invoergegevens. Ze zijn geschikt voor taken zoals Beeld-en videoherkenning.
• Recurrente neurale netwerken (RNN ‘ s). RNN ‘ s hebben verbindingen die Gerichte cycli vormen. Hierdoor kunnen ze een soort “geheugen” van de vorige inputgegevens bewaren. Ze zijn geschikt voor sequentiële gegevenstaken zoals spraakherkenning of tijdreeksvoorspelling.
• Netwerken met lang kortetermijngeheugen (LSTM). Ze zijn ontworpen om langdurige afhankelijkheden op te slaan in sequentiële gegevens, waar standaard RNC ‘ s niet mee kunnen omgaan. Ze worden vaak gebruikt in natuurlijke taalverwerkingstaken.
• Netwerken met radiale basisfuncties (RBFN). RBFN ‘ s hebben één verborgen laag neuronen, waarvan de activering wordt bepaald door de afstand van het centrum van het neuron. Ze worden veel gebruikt voor het benaderen van functies en het oplossen van besturingsproblemen.
• Zelforganiserende kaarten (SOM). SOM gebruikt unsupervised learning om een laagdimensionale weergave van hoogdimensionale gegevens te creëren, waardoor ze nuttig zijn voor het visualiseren van complexe gegevens.
• Generatieve adversariële netwerken (GAN). Gan ‘ s bestaan uit twee netwerken: een generatornetwerk dat nieuwe instanties van gegevens creëert en een discriminatornetwerk dat probeert echte instanties te onderscheiden van nep-instanties. Dergelijke netwerken worden gebruikt om inhoud te creëren.

Toepassing van neurale netwerken
Neurale netwerken worden actief gebruikt in verschillende industrieën om een breed scala aan taken op te lossen. Bijvoorbeeld patroonherkenning in afbeeldingen en video ‘s, personalisatie van aanbevelingen in online diensten, Automatisering van productieprocesbeheer, analyse van medische gegevens voor de diagnose van ziekten, ontwikkeling van zelfrijdende auto’ s, verwerking en vertaling van natuurlijke talen, evenals het creëren van inhoud.