Artificiella neurala nätverk – en översikt

Artificiella neurala nätverk (ANN) representerar ett betydande framsteg inom maskininlärningsteknik. Många framsteg inom artificiell intelligens är nya statistiska modeller där ANN är den dominerande tekniken som driver dessa framsteg.

Även om ANN är hjärninspirerade datorsystem skiljer de sig från biologiska neurala nätverk som studeras inom neurobiologi. Dessa system består av in- och utdatalager med dolda bearbetningsenheter som omvandlar data till användbara utdata.

Historiskt sett utvecklades ANN från perceptronmodeller som utvecklades på 1960-talet med McCulloch-Pitts-neuroner. Forskare utvecklade senare flerskiktiga perceptroner som blev synonyma med moderna artificiella neurala nätverk.

De tre primära användningsområdena för ANN inkluderar: klassificering, som kategoriserar data i fördefinierade klasser; klustring, som grupperar data i odefinierade kategorier; och prediktion, som prognostiserar framtida utfall baserade på historiska mönster.

ANN fungerar genom övervakat lärande, där nätverk lär sig genom att bearbeta många fråga-svar-exempel. Beräkningar och värden som frågas och besvaras lagras vid varje neuron och synapser justeras långsamt genom en process som kallas backpropagation.

Det finns tre huvudsakliga arkitekturtyper. Rekurrenta neurala nätverk hanterar begränsningar genom att inkorporera tidigare kunskap. Convolutional neural networks bearbetar bilddata effektivt genom återanvändning av neuroner. Förstärkningsinlärningssystem maximerar belöningar genom beteendeoptimering.