Un réseau neuronal est un paradigme de traitement de l'information inspiré par la façon dont les systèmes nerveux biologiques, tels le cerveau des mammifères , des informations de processus. Les réseaux de neurones sont composés d' un grand nombre d' éléments de traitement fortement interconnectés , appelés neurones, qui travaillent ensemble pour résoudre des problèmes spécifiques . Avantages des réseaux de neurones comprennent leur capacité à «apprendre» à travers des ajustements aux connexions entre les neurones . Résolution de problèmes

réseaux de neurones peut aider à résoudre les problèmes qui sont trop complexes pour la technologie conventionnelle qui repose sur la recherche d' une solution algorithmique . Problèmes du monde réel qui nécessitent une réflexion adaptable comprennent la prévision des ventes , contrôle des processus industriels , la recherche de la clientèle, la gestion des risques , le marketing ciblé et l'analyse de texture. Les réseaux de neurones aider dans ces domaines en raison de leur capacité à dégager des significations à partir de données complexes et imprécis.
Real-Time Fonctionnement

Contrairement aux ordinateurs de série classiques, les réseaux de neurones ne sont pas exécuter des instructions programmées . Au lieu de cela , ils répondent en parallèle avec le modèle d'entrées qui leur sont présentés . Les réseaux de neurones créent leur propre organisation ou de représentation de l'information introduite dans les cours de la période d'apprentissage. La mémoire n'est pas stockée séparément mais sur l'ensemble du réseau. La «connaissance» du réseau est donc supérieure à la somme de ses parties .
Fault Tolerance

Si un réseau de neurones est en partie détruite , certaines régions auront une dégradation des performances . Contrairement aux réseaux traditionnels , cependant, certaines fonctionnalités d'un réseau de neurones sont maintenues même avec des dommages importants. C'est bien le même que quand une personne souffre de lésions cérébrales localisées qui affecte uniquement certaines capacités cognitives.
Le apprentissage

réseaux de neurones possèdent des «règles d'apprentissage» qui leur permettent de apprendre par l'exemple. La plus courante est la règle delta utilisé avec des réseaux neuronaux back- propagation les . Rétro-propagation se réfère à la propagation vers l'arrière de l'erreur . Apprendre l'aide de la règle delta est un processus supervisé ce qui se passe à chaque fois que le réseau est présenté avec un nouveau modèle d'entrée . Le réseau prévoit que la tendance pourrait être puis compare cette estimation avec ce qu'il est réellement présenté . Il utilise une différence à faire des ajustements à ses connexions.