这 人工神经网络 (安) 或 人工神经元网络 (阿恩), 是系统 机器学习 什么, 就像人脑一样, 由 人工神经单元 互联.
人工神经网络由一组输入数据构建而成, 由 一种学习算法 生成输出模型. 此模型可以应用于新的输入数据以预测所需的输出.
神经网络在计算机科学中的历史
神经网络在计算中的历史相对较短, 但他们的影响是巨大的。. 尽管人工神经网络的概念可以追溯到十年 1940, 那是在岁月里 1980 当它们开始成形时. 在 1986, 人工智能科学家Geoffrey Hinton及其同事发表了一篇论文： 展示了如何使用人工神经网络来识别数据集中的模式. 本文 成为转折点 和人工智能领域 启动了.
自那时候起, 神经网络经历了快速发展. 它们已被创建 新的和更好的学习方式, 并已被发现 这些强大工具的新应用程序. 今天, 神经网络正在被使用 在广泛的领域, 从 自然语言处理 自 物体识别. 其影响不仅限于学术界。: 神经网络正在改变技术世界, 以及这种变化的步伐 它只是在加速.
神经网络的工作原理
人工神经网络基于 神经元在大脑中工作方式的数学模型. 每个神经元通过 称为突触的链接. 这 电活动 沿着神经元的轴突行进和 通过突触传递到其他神经元. 这 电活动就是我们所说的神经冲动.
这 神经冲动 是 大脑如何传递信息. 神经元 接收这些冲动 和, 根据 他们接受的刺激量, 发送或不发送神经冲动 到它们所连接的神经元. 以这种方式, 神经元可以相互交流信息 和, 最终, 允许大脑执行任务 作为 思考与学习.
人工神经网络
人工神经网络基于 相同的原理 大脑中神经元的功能. 每 人工神经元 是 连接到其他人工神经元 通过 称为突触的链接. 这 电活动 沿着 司机 神经元和 通过突触传递到其他神经元. 这 电活动就是我们所说的神经冲动.
这 神经冲动 是 人工神经元如何传递信息. 神经元 接收这些冲动 和, 根据 他们接受的刺激量, 发送或不发送神经冲动 到它们所连接的神经元. 以这种方式, 人工神经元可以相互交流信息 和, 最终, 允许网络执行任务 作为 思考与学习.
机器学习
这 机器学习 这是一个专注于人工智能的领域 如何构建从数据中学习的系统. 这 机器学习可以分为两大类: 这 监督学习 和 无监督学习.
这 监督学习 是那种学习 提供标记数据. 例如, 如果我们想让神经网络学会识别猫的图像, 我们会为您提供一组标有“猫”或“没有猫”的图像. 这 无监督学习 是那种学习 未提供标记数据. 在这种情况下, 神经网络将不得不 自己学习识别数据中的模式.
当今的神经网络
今天, 神经网络被用于广泛的领域, 从 自然语言处理 自 物体识别. 其影响不仅限于学术界。: 神经网络正在改变技术世界, 而这种变化的步伐只会加快。.
在领域 自然语言处理, 神经网络正被用于 开发聊天机器人系统 越来越复杂. 这些系统越来越多地用于 为客户提供帮助 公司.
在领域 物体识别, 神经网络正被用于 开发图像识别系统 越来越准确. 这些系统越来越多地用于 识别图像中的对象 和 执行对象跟踪等任务.
神经网络的未来
虽然神经网络领域近年来经历了快速发展, 还有很多东西要发现. 它们正在开发中 新的学习方式, 并且正在被发现 这些强大工具的新应用程序. 神经网络的未来是 非常有前途 和 只受想象的限制.
神经网络如何工作？?
人工神经网络由 大量相互连接的神经元. 每个神经元都是 连接 到其他神经元 通过链接 传输 信号 包括.
你如何学习神经网络？?
这 学习神经网络 正在执行 通过调整链接的粗细 神经元之间. 当一个 输入模式 到网络, 单个神经元 打开或关闭 取决于它们的重量.
如何使用神经网络？?
人工神经网络可用于 解决各种机器学习问题, 作为 分类, 回归, 物体检测和模式识别.
神经网络的应用
神经网络可用于 解决各种计算机问题. 一些最常见的应用如下:
1. 模式识别
神经网络可以被训练来识别非结构化数据中的模式, 作为图像或音频信号. 这在语音识别或图像中的对象检测等应用中非常有用。.
2. 数据分类
可以训练神经网络将数据分类. 例如, 可用于识别图像是否包含猫或狗. 它们还可用于检测短信是否为垃圾邮件。.
3. 机器人控制
神经网络可用于控制机器人. 例如, 经过训练，使机器人可以行走和平衡. 他们也在接受调查，以便他们可以控制自动驾驶汽车。.
4. 时间序列预测
神经网络可用于预测时间序列的行为, 例如股票市场上的股票价格. 这对于做出投资决策很有用。.
5. 文本生成
神经网络可用于从数据集生成文本. 例如, 接受过从金融市场数据生成新闻的培训. 他们也在被研究，以便他们可以写诗。.