โครงข่ายประสาทเทียมคือลำดับของอัลกอริทึมที่พยายามระบุความสัมพันธ์พื้นฐานในชุดข้อมูลผ่านกระบวนการที่เลียนแบบวิธีการทำงานของสมองมนุษย์ ในวิธีนี้ โครงข่ายประสาทเทียมจะกำหนดระบบของเซลล์ประสาท ไม่ว่าจะเป็นแบบอินทรีย์หรือประดิษฐ์
Neural Networks เป็นเทคนิคการวิเคราะห์ที่จำลองตามกระบวนการ (สมมุติฐาน) ของการเรียนรู้ในระบบความรู้ความเข้าใจและการทำงานของระบบประสาทของสมอง และสามารถทำนายการสังเกตใหม่ (ในตัวแปรเฉพาะ) จากการสังเกตอื่น ๆ หลังจากใช้กระบวนการที่เรียกว่าการเรียนรู้จากที่มีอยู่ ข้อมูล. Neural Networks เป็นหนึ่งในเทคนิคการทำเหมืองข้อมูล
โครงข่ายประสาทเทียมคืออาร์เรย์ของอัลกอริทึมที่พยายามระบุความสัมพันธ์พื้นฐานในชุดข้อมูลผ่านกระบวนการที่เลียนแบบเทคนิคต่างๆ ที่สมองของมนุษย์ดำเนินการ ในแง่นี้ โครงข่ายประสาทเทียมกำหนดระบบของเซลล์ประสาท เช่น สารอินทรีย์หรือประดิษฐ์
โครงข่ายประสาทมีความเกี่ยวข้องในแทบทุกสถานการณ์ที่ความสัมพันธ์ระหว่างตัวแปรทำนาย (อิสระ ปัจจัยนำเข้า) และตัวแปรทำนาย (ผู้อยู่ในอุปการะ ผลลัพธ์) คงอยู่ แม้ว่าความสัมพันธ์นั้นจะยากและไม่ง่ายที่จะอธิบายในเงื่อนไขทั่วไปของ "ความสัมพันธ์" หรือ "ความแตกต่างระหว่างกลุ่ม"
โครงข่ายประสาทเทียมคือเครือข่ายของเซลล์ประสาทจำลองที่ใช้ในการระบุรูปแบบของรูปแบบ โครงข่ายประสาทเทียมจะเข้าใจโดยการค้นหาผ่านพื้นที่น้ำหนักของเครือข่าย
โครงข่ายประสาทเทียมคือชุดของหน่วยอินพุต/เอาต์พุตที่เชื่อมโยง ซึ่งแต่ละลิงก์มีน้ำหนักที่เกี่ยวข้องกัน ในระหว่างขั้นตอนการเรียนรู้ เครือข่ายเรียนรู้โดยการปรับน้ำหนักเพื่อให้สามารถคาดการณ์ป้ายกำกับคลาสที่ถูกต้องของตัวอย่างอินพุต การเรียนรู้ NN ยังเรียกว่าการเรียนรู้การเชื่อมต่อเนื่องจากการเชื่อมต่อระหว่างหน่วยต่างๆ
โครงข่ายประสาทเทียมจำเป็นต้องมีการฝึกอบรมเป็นเวลานาน พวกเขาได้รับการตรวจสอบแล้วว่าสามารถแปลความหมายได้ไม่ดี เนื่องจากการตีความความหมายเชิงสัญลักษณ์ตามน้ำหนักการเรียนรู้นั้นซับซ้อน คุณลักษณะเหล่านี้แต่เดิมสร้างโครงข่ายประสาทเทียมที่น่าสนใจน้อยลงสำหรับการทำเหมืองข้อมูล
โครงข่ายประสาทเทียมมีความทนทานต่อข้อมูลที่มีเสียงรบกวนสูง และความสามารถในการจำแนกรูปแบบที่ไม่ได้รับการฝึกอบรม มีอัลกอริธึมต่างๆ ที่ได้รับการพัฒนาสำหรับการดึงกฎจากโครงข่ายประสาทเทียมที่ผ่านการฝึกอบรมมาแล้ว องค์ประกอบเหล่านี้เอื้อต่อความสะดวกของโครงข่ายประสาทเทียมสำหรับการจำแนกประเภทในการทำเหมืองข้อมูล
ในทางวิศวกรรม โครงข่ายประสาทเทียมมีหน้าที่สำคัญสองประการในฐานะตัวแยกประเภทรูปแบบและในฐานะตัวกรองแบบปรับตัวที่ไม่ใช่เชิงเส้น โครงข่ายประสาทเทียมเป็นระบบที่ไม่เป็นเชิงเส้นที่ยืดหยุ่นและส่วนใหญ่มักจะเข้าใจในการใช้งานฟังก์ชัน (แผนที่อินพุต/เอาท์พุต) จากข้อมูล Adaptive กำหนดว่าพารามิเตอร์ของระบบจะถูกแปลงระหว่างการใช้งาน โดยทั่วไปเรียกว่าขั้นตอนการฝึกอบรม
หลังจากขั้นตอนการฝึกอบรม พารามิเตอร์เครือข่ายประสาทเทียมจะคงที่ และระบบได้รับการตั้งค่าเพื่อแก้ไขปัญหาในมือ (ขั้นตอนการทดสอบ) โครงข่ายประสาทเทียมได้รับการพัฒนาโดยมีขั้นตอนทีละขั้นตอนอย่างเป็นระบบเพื่อปรับปรุงการทดสอบประสิทธิภาพหรือเพื่อปฏิบัติตามข้อจำกัดภายในโดยปริยาย ซึ่งโดยทั่วไปจะกำหนดเป็นกฎการเรียนรู้
