เครือข่ายนิวรัลเป็นคลาสของระบบคอมพิวเตอร์ พวกเขาถูกสร้างขึ้นจากการประมวลผลที่ง่ายมากโหนดที่เกิดขึ้นในเครือข่าย พวกเขาได้รับแรงบันดาลใจจากวิธีการที่ระบบทางชีวภาพเช่นการทำงานของสมองแม้ว่าคำสั่งขนาดใหญ่ที่ซับซ้อนน้อยกว่าในขณะนี้
พวกเขาเป็นระบบการจดจำรูปแบบพื้นฐานและมีแนวโน้มที่จะมีประโยชน์มากขึ้นสำหรับงานที่สามารถอธิบายได้ในแง่ของการจดจำรูปแบบ พวกเขาได้รับการฝึกฝนโดยให้อาหารด้วยชุดข้อมูลที่มีเอาต์พุตที่รู้จัก
ตัวอย่างเช่นลองจินตนาการว่าคุณกำลังพยายามฝึกอบรมเครือข่ายเพื่อส่งออก 1 เมื่อได้รับรูปภาพของแมวและเป็น 0 เมื่อเห็นรูปภาพที่ไม่ใช่แมว คุณจะฝึกอบรมเครือข่ายด้วยการเรียกใช้รูปภาพแมวจำนวนมากผ่านทางมันและใช้อัลกอริทึมในการปรับแต่งพารามิเตอร์เครือข่ายจนกว่ามันจะให้การตอบสนองที่ถูกต้อง โดยปกติพารามิเตอร์จะได้รับจากแต่ละอินพุตและน้ำหนักของแต่ละโหนดรวมถึงโครงสร้างที่แท้จริงของเครือข่าย (จำนวนโหนดในจำนวนเลเยอร์ที่มีการเชื่อมต่อระหว่างกัน)
การรับรู้ภาพแมวเป็นปัญหาที่ค่อนข้างซับซ้อนและจะต้องใช้เครือข่ายประสาทที่ซับซ้อน (อาจเริ่มต้นด้วยหนึ่งโหนดต่อพิกเซล) จุดเริ่มต้นตามปกติสำหรับการทดลองกับเครือข่ายประสาทคือการพยายามและใช้ประตูตรรกะอย่างง่ายเช่น AND, OR, NOT และอื่น ๆ เป็นมุ้งประสาท
โครงข่ายประสาทเทียมสามารถเป็นวิธีที่รวดเร็วในการบรรลุผลที่ซับซ้อน พวกเขาน่าสนใจมากสำหรับการวิจัย AI เนื่องจากเป็นแบบจำลองสำหรับสมองสัตว์
หนึ่งในข้อเสียที่สำคัญของเครือข่ายประสาทคือมันยากมากที่จะทำวิศวกรรมย้อนกลับ หากเครือข่ายของคุณตัดสินใจรูปช้างหนึ่งรูปเป็นแมวคุณไม่สามารถระบุได้ว่า 'ทำไม' ในแง่ที่มีประโยชน์ สิ่งที่คุณสามารถทำได้คือลองฝึกอบรม / ปรับเปลี่ยนเครือข่ายเพิ่มเติม
โครงข่ายประสาทมีแนวโน้มที่จะใช้สำหรับงานที่มีขอบเขต จำกัด เช่นการรับรู้เหรียญ / ธนบัตรในเครื่องขายแสตมป์อัตโนมัติหรือข้อบกพร่องที่พบในสายการผลิต
จุดเริ่มต้นที่ดีที่สุดถ้าคุณสนใจน่าจะเป็น google 'perceptron' ซึ่งเป็นชื่อหนึ่งในองค์ประกอบเครือข่ายประสาทที่เก่าแก่ที่สุด