Neurale netværk er en grundlæggende form for læring , der er almindelige i kunstig intelligens forsøg og projekter . Tidlig neurale netværkssystemer begyndte at blive tilgængelige i slutningen af ​​1980'erne , da simple software -systemer og hybride systemer, der kørte på specialiseret hardware. Historie

Den oprindelige definition af neural netværk og neural computing udviklet i løbet af 1940'erne . Ved 1950'erne , viste en simpel to -lags -netværk det grundlæggende koncept . dog visse begrænsninger - såsom manglende evne til at løse XOR problemer en grundlæggende funktion i digital computing - . begrænset interesse i teknologien , indtil slutningen af ​​1970'erne og begyndelsen af ​​1980'erne
fotos Natural Systems Simulation < br >

neurale netværk simulerer aktiviteterne i biologiske neurale systemer . Om systemet er software -baseret og kører på en computer eller en hardware og software system designet til læring, den grundlæggende idé er at skabe et edb-system , der efterligner de naturlige funktioner af en hjerne . I modsætning til lineære systemer, hvor en indgang er fulgt op, og en forudsigelig udgang er resultatet af beregningerne , er neurale netværk designet til at skabe prædiktionsalgoritmen baseret på kendte gode input og output , og er således i stand til at lære af tidligere erfaringer.

Making Sense of Chaos

neurale netværk arbejde ved at holde styr på kendte gode inputs . For eksempel kan neurale netværk beregnet til at forudsige retningen af aktiemarkedet har historiske begivenheder opført som input og den deraf stigning eller fald i markedet indtastes som resultater. Ved at indtaste tusindvis af historiske begivenheder og aktiemarkedet resultater, kan et neuralt netværk begynder at forsøge at forudsige stiger og falder baseret på aktuelle input. Da netværket samler flere data , kan det lære at lave mere præcise forudsigelser på markedet.
Fordele

Neurale netværk kan udvikle algoritmer baseret på kendte input og resultater , og kan i sidste ende lære at forudsige hændelser med en høj grad af sikkerhed. Fordi neurale netværk er parallelle systemer , hvis en del af systemet fejler, andre dele fortsat fungere normalt . Fordi et neuralt netværk er en naturlig learning system , når skabt , skal det normalt kræver ingen programmering .
Ulemper

En ulempe ved et neuralt netværk er, at det kræver tid at toget. Netværket vil kun være så god som de oprindelige data og korrigerede træningsdata . Hvis det neurale netværk er givet forkerte data og fortalte data er korrekt, vil det gælde , at ugyldige data til fremtidige beslutninger og forudsigelser . Software -baserede neurale netværk kører på forskellige arkitekturer end de fleste almindelige computere. Derfor medmindre en dedikeret hardware og software system anvendes, er komplekse oversættelse , som kræves for at konvertere neurale data til et format bruges af fælles computersystemer.