Ett adaptivt neuralt nätverk är ett system som bearbetar information och gör justeringar av nätverket vid behov. Sådana nätverk kan hittas i datorsystem eller i organiska livsformer. De används för att tolka stora mängder komplex information och är grunden för modern artificiell intelligensteknologi.
Ett av människan skapat adaptivt neuralt nätverk, även kallat ett artificiellt neuralt nätverk, är modellerat efter de naturligt förekommande neurala nätverken i människors och djurs hjärnor. De arbetar med hjälp av en serie informationsinsamlingssensorer – neuronerna – som tolkas av en central bearbetningsenhet. Dessa anslutningar kan förändra och förändra hur de interagerar med den centrala bearbetningsenheten baserat på deras egen utvärdering av hur man mest effektivt utför sina funktioner.
Det finns två huvudsakliga sätt som ett adaptivt neuralt nätverk ”lär sig”: övervakat lärande och oövervakat lärande. Övervakat lärande kräver en mänsklig motsvarighet som instruerar nätverket om hur det ska tolka och interagera med olika input. Syftet med denna inlärningsstil är att säkerställa att det inte finns några fel i de metoder som det adaptiva neurala nätverket använder för att bearbeta information och för att förstärka nätverkets önskade åtgärder.
Icke-övervakat lärande är beroende av att den centrala bearbetningsenheten interagerar med sin omgivning och fattar sina egna beslut om hur den ska fungera baserat på sin ursprungliga programmering. För att göra detta organiserar och omorganiserar den informationen den tar emot och gör förutsägelser om vad resultatet av att ändra denna data kan bli. Ett nätverk kan antingen lära sig online eller offline. Onlineinlärning innebär att nätverket lär sig samtidigt som det utför uppgifter. Offlineinlärning kräver att nätverket lär sig separat från agerande.
För närvarande finns det fyra huvuduppgifter som utförs av adaptiva neurala nätverk. De handlar alla om att bearbeta och tolka mönster. Först finns det klustring, där nätverket undersöker ett antal mönster och grupperar relaterade mönster i kluster.
En andra uppgift som ett adaptivt neuralt nätverk kan utföra är att känna igen och tolka ett mönster, såsom skrivna eller talade ord. Genom att göra detta kan den försöka förstå helt okända mönster baserat på dess förståelse av relaterade mönster. Att tillhandahålla en uppskattning av värdet av en funktion är den tredje huvuduppgiften och används ofta inom naturvetenskap eller teknik. Den fjärde huvuduppgiften som ett adaptivt neuralt nätverk kan utföra är att göra förutsägelser om vad som kommer att hända i framtiden om ändringar görs i vissa datamodeller.
Ett artificiellt neuralt nätverk är en form av artificiell intelligens och dess mest moderna användningsområden involverar avancerad robotteknologi. Det används oftare av dataanalytiker, eftersom deras jobb handlar om att tolka och sortera stora mängder information. Ett artificiellt neuralt nätverk kan hjälpa en analytiker att organisera hennes data, genomföra forskning och testa möjliga förändringar av hennes företags produkter och tjänster. När tekniken blir mer avancerad kommer tillämpningar av neurala nätverk att bli vanligare.