神经网络
我们的编辑将审阅你所提交的内容,并决定是否修改文章。
阅读关于这个主题的简要摘要
神经网络,一个计算机程序其运作方式受到自然神经网络的启发大脑.这类人工神经网络的目标就是执行这些任务认知函数作为解决问题而且机器学习.神经网络的理论基础是1943年由美国科学院的神经生理学家沃伦·麦卡洛克提出的伊利诺伊大学和数学家沃尔特·皮茨芝加哥大学.1954年,贝尔蒙特法利和韦斯利克拉克麻省理工学院成功运行了第一个简单的神经网络。神经网络的主要吸引力在于它们能够模仿大脑的模式识别技能。在这种能力的商业应用中,神经网络已被用于做出投资决策,识别笔迹,甚至探测炸弹。
神经网络的一个显著特征是,其领域的知识分布在整个网络本身,而不是显式地写入程序。这种知识被建模为处理元素(人工神经元)之间的连接以及每个这些连接的自适应权重。然后,神经网络通过接触各种情况来学习。神经网络能够通过调整分组成层的通信神经元之间的连接的权重来实现这一点,如图所示环境,输出层通信响应;在这些层之间可能是一个或多个“隐藏”层(与环境没有直接接触),在这些层中,大多数的信息处理发生。神经网络的输出取决于不同层神经元之间连接的权重。每个权重表示特定连接的相对重要性。如果某一特定对象接收的所有加权输入的总和神经元超过了阈值值时,神经元将向下一层中与其连接的每个神经元发送信号。例如,在贷款申请的处理过程中,输入可能表示贷款申请人的资料数据,而输出可能表示是否授予贷款。
一个简单的前馈网络。人工神经元的输入层接收来自神经元的信息这种简单前馈神经网络的两种改进解释了应用的增长,比如面部识别。首先,一个网络可以配备一个反馈机制,称为反向传播算法,使它能够通过网络调整连接权重,训练它以响应有代表性的例子。其次,可以开发循环神经网络,包括双向以及层内和层间的信号,这些网络能够形成更复杂的关联模式。(事实上,对于大型网络来说,精确地跟踪输出是如何确定的是极其困难的。)
训练神经网络通常涉及监督学习,其中每个训练示例包含值输入数据和期望的输出。一旦网络能够在额外的测试用例上表现得足够好,它就可以应用到新的用例上。例如,研究人员在英属哥伦比亚大学用热带地区的温度和压力数据训练了前馈神经网络太平洋从北美预测未来全球天气模式。
相比之下,某些神经网络是通过无监督学习来训练的,在这种学习中,网络被提供了一组输入数据,并被赋予了发现模式的目标,而没有被告知具体要寻找什么。这种神经网络可以应用于数据挖掘例如,在营销数据仓库中发现客户集群。
神经网络处于认知计算的前沿,认知计算的目的是拥有信息技术执行一些更高级的人类心理功能。深度学习系统是基于多层神经网络和动力的,例如语音识别的能力苹果的手机助手Siri。结合指数级增长的计算能力和巨大的聚合在大数据中,深度学习神经网络影响着人与机器之间的工作分配。