Co je Feedforward neurální síť?

Dopředná neuronová síť je typ neuronové sítě, kde spojení jednotky necestují ve smyčce, ale spíše v jediné směrované cestě. To se liší od opakující se neuronové sítě, kde se informace mohou v systému pohybovat dopředu i dozadu. Dopředná neuronová síť je možná nejběžnějším typem neuronové sítě, protože je to jeden z nejsnadněji pochopitelných a konfigurovatelných. Tyto typy neuronových sítí se používají při těžbě dat a dalších oblastech studia, kde je vyžadováno prediktivní chování.

Neuronová síť je umělá inteligenční síť navržená tak, aby volně napodobovala „myšlenkové“ procesy lidského mozku. Po zavedení řetězců dat do sítě má počítač příležitost „naučit se“ vzory, které jím procházejí, což mu umožňuje správně identifikovat odpovědi a poskytovat analýzu trendů. Používají se při úkolech, kde je vyžadován určitý stupeň učení a rozpoznávání vzorů, například během operací těžby dat. Dolování dat je jednoduše analýzou trendů ze sběru informací, jako je analýza trendů nákupu zákazníků a vývoj akciového trhu.

Informace cestující skrz dopřednou neuronovou síť prochází do vstupní vrstvy, prochází skrytou vrstvou a vycházejí z vnější vrstvy sítě a poskytují koncovému uživateli odpověď na jejich dotaz. Vstupní vrstva je jednoduše místo, kde uživatel zadává nezpracovaná data nebo parametry informací. Maso transakce se odehrává ve skryté vrstvě, kde se počítač opírá o své „zkušenosti“ se zpracováním podobných dat, aby vytvořil odhadovanou odpověď. Informace jsou vedeny přes výstupní vrstvu, kde je koncovému uživateli poskytnuta odpověď.

Dopředná neuronová síť se obvykle stává efektivnější, protože koncový uživatel poskytuje stále více experimentálních dat. Stejně jako výpočet průměru bude přesnější výsledek dosažen použitím velkého počtu testovacích událostí. Například pravděpodobnost převrácení „1“ na šestibokou matrici je 16,667 procent; ale bude to vyžadovat stovky nebo tisíce simulací, než bude vypočítaný průměr potvrzen pomocí skutečných dat. Dopředné neuronové sítě jsou stejné; jejich reakce budou přesnější s časem a zkušenostmi.