ニューラルネットワークは、一種のコンピューティングシステムです。これらは、ネットワークに形成された非常に単純な処理ノードから作成されます。現在のところ、複雑さは桁違いに少ないものの、脳などの生体システムが機能する方法に触発されています。
それらは基本的にパターン認識システムであり、パターン認識の観点から説明できるタスクに役立つ傾向があります。それらは、既知の出力を持つデータセットをフィードすることによって「トレーニング」されます。
例として、猫の写真が与えられたときに1を出力し、猫ではない写真を見つけたときに0を出力するようにネットワークをトレーニングしようとしていると想定します。猫の写真をたくさん実行し、正しい応答が得られるまでネットワークパラメータを微調整するアルゴリズムを使用して、ネットワークをトレーニングします。パラメータは通常、各入力のゲインと各ノードの重み、およびネットワークの実際の構造（ノード数、レイヤー数、相互接続）です。
猫の写真を認識することは実際には非常に複雑な問題であり、複雑なニューラルネットワークが必要になります（ピクセルごとに1つのノードから開始する場合があります）。ニューラルネットワークの実験の通常の開始点は、AND、OR、NOTなどの単純な論理ゲートをニューラルネットとして試して実装することです。
ニューラルネットワークは、複雑な結果を得る非常に高速な方法です。それらは動物の脳のモデルであるため、AI研究にとって非常に興味深いものです。
ニューラルネットワークの主な欠点の1つは、それらをリバースエンジニアリングすることが非常に難しいことです。ネットワークが象の特定の画像の1つが実際には猫であると判断した場合、実際に「なぜ」なのかを判断することはできません。実際にできることは、ネットワークをさらにトレーニング/微調整することです。
ニューラルネットワークは、自動販売機での硬貨/紙幣の認識や、生産ラインでの欠陥の発見など、制限のないタスクに使用される傾向があります。
興味がある場合は、最初のニューラルネットワーク要素の名前であるgoogle 'perceptron'が最適です。
私は修士課程で人工知能を研究していて、私たちはニューラルネットワークをかなり使用しています。彼らは実際には非常に便利です。
ニューラルネットの問題はその名前だと思います。これは、実際のニューラルネットワークが何であるかを混乱させ、ファンシーなタイプの機能であるときに脳のように振る舞うことを期待するため、一部の人々は彼らのメリットに疑問を投げかけます。
ニューラルネットを理解する最良の方法は、名前を通過することです。それを脳のモデルと考えないでください...そうではありません...これは1960年代の意図でしたが、2011年であり、機械学習と分類に常に使用されています。
ニューラルネットワークは、実際には数学的関数です。値のベクトルを入力すると、それらの値に他の値が乗算され、値または値のベクトルが出力されます。それはそれがすべてです。
これらは、特定の特徴（または入力）を出力（分類または回帰）に近似する既知の関数がない問題ドメインで非常に役立ちます。たとえば、天気-天気にはさまざまな特徴（種類、温度、動き、雲量、過去のイベントなど）がありますが、2日後の天気を正確に計算する方法を誰も正確に言うことはできません。ニューラルネットワークは、特徴に基づいて天気予報を近似するようにパラメーターを簡単に変更できるように構成された関数です。
それが...その機能であり、「学習」に適した素敵な構造を持っています。過去5年間の気象データを取得します-過去5年間の毎日について、気象の特徴と2日間後の気象の状態を完備します。ネットワークの重み（エッジに存在する乗数）はランダムに生成され、データが実行されます。予測ごとに、NNは正しくない値を出力します。逆伝播などの微積分学に基づく学習アルゴリズムを使用すると、出力エラー値を使用してネットワーク内のすべての重みを更新できます。データを十分に実行すると、エラーレベルは最低点に達します（それ以上ありますが、ここでは説明しません-最も重要なのはフィッティングです）。目標は、エラーレベルが最良の時点で学習アルゴリズムを停止することです。ネットワークは固定され、この時点で単なる数学関数になります。これは、古い方程式と同様に、入力値を出力値にマッピングします。新しいデータをフィードし、出力値が適切な近似値であることを信頼します。
彼らは失敗していると主張する人々に：彼らは失敗していない。彼らは多くのドメインで非常に便利です。研究者は遺伝子と疾患の相関関係をどのように理解していると思いますか？ NNは、他の学習アルゴリズムと同様に、バイオインフォマティクスやその他の分野で使用されています。それらは非常に良い結果を生み出すことが示されています。 NASAは現在、バッテリー寿命の予測など、宇宙ステーションのルーチンにそれらを使用しています。サポートベクターマシンなどの方が優れていると言う人もいますが、その証拠はなく、他のアルゴリズムが新しいだけです。
50年前のニューラルネットワークは人間の脳よりもはるかに単純であるため、ニューラルネットワークは失敗していると主張しています。
これは、調整可能な係数の重みを持つ方程式（複数の数値入力を取り、単一の数値出力を提供する）を構築するための数学的なスキームです。入力と期待される出力で構成されるトレーニングセットを前提として、係数を調整して方程式が期待される出力に近づくようにするアルゴリズムがあります。
グラフィックとともに最も単純な例は、 Wikipedia で入手できます。この例はXORとして知られています。