Les réseaux de neurones sont une forme de base du système d'apprentissage qui sont communs dans les expériences et les projets d'intelligence artificielle. Systèmes de réseaux de neurones précoces ont commencé à devenir disponibles à la fin des années 1980, les systèmes de logiciels simples et des systèmes hybrides qui couraient sur ​​du matériel spécialisé . Histoire

Les concepts initiaux de réseaux de neurones et de calcul neuronal développé dans les années 1940 . Dans les années 1950 , un réseau à deux couches simples prouvé le concept de base . Toutefois, certaines restrictions - comme l'incapacité à résoudre les problèmes de XOR , une fonction de base en informatique numérique - . intérêt limité dans la technologie jusqu'à la fin des années 1970 et au début des années 1980
Le Natural Systems Simulation < br > Photos

Un réseau de neurones simule les activités de systèmes de neurones biologiques . Si le système est basé sur logiciel et fonctionnant sur un ordinateur ou un système matériel et logiciel pour l'apprentissage, l'idée de base est de créer un système informatique qui imite le fonctionnement naturel d'un cerveau . Contrairement aux systèmes linéaires, où une entrée est sollicitée et une sortie prévisible est le résultat de calculs , les réseaux neuronaux sont conçus pour créer des algorithmes de prédiction basée sur les bonnes entrées et sorties connues et sont donc en mesure d' apprendre de l'expérience précédente.

Making Sense of Chaos

réseaux neuronaux travail en gardant la trace de bonnes entrées connues . Par exemple , les réseaux neuronaux visant à prédire la direction du marché boursier pourraient avoir des événements historiques inscrites en intrants et l'augmentation résultante ou la baisse du marché conclu que les résultats . En participant à des milliers d'événements historiques et des résultats des marchés boursiers , un réseau de neurones peut commencer à essayer de prédire monte et descend en fonction des données actuelles. Comme le réseau rassemble plus de données, il peut apprendre à faire des prédictions plus précises sur le marché.
Avantages

réseaux de neurones peuvent développer des algorithmes basés sur les intrants et les résultats connus, et peut éventuellement apprendre à prédire les événements avec un degré élevé de certitude. Parce que les réseaux neuronaux sont des systèmes parallèles , si une partie du système tombe en panne, les autres parties continuent à fonctionner normalement. Parce qu'un réseau de neurones est un système naturel d'apprentissage , une fois créé, il nécessite généralement pas de programmation .
Inconvénients

Un inconvénient d'un réseau de neurones , c'est qu'il a besoin de temps pour train. Le réseau ne sera aussi bon que les données initiales et les données corrigées de formation . Si le réseau de neurones est donnée données incorrectes et dit les données sont correctes , il appliquera ces données invalides les décisions et les prévisions futures. Réseaux de neurones basés sur des logiciels fonctionnent sur ​​des architectures différentes de la plupart des ordinateurs communs. Par conséquent, si un système logiciel et matériel dédié est utilisé, les systèmes de traduction complexes sont nécessaires pour convertir les données neuronales à un format utilisable par des systèmes informatiques communs.