Hvad er brugen af neurale netværk til forudsigelse?
Neurale netværk er komplekse beregningsmodeller, der ofte bruges til mønstergenkendelse. Da neurale netværk er baseret på biologiske hjernefunktioner, er de i stand til at "lære" og forudsige resultater. Der er mange praktiske anvendelser af neurale netværk til forudsigelse, herunder økonomisk beregning, vejrprognose og medicinsk diagnose.
Kunstige neurale netværk til forudsigelse er inspireret af den menneskelige hjerne. I en biologisk hjerne er mange små behandlingsenheder kaldet ”neuroner” forbundet til et stort netværk. Hvert individuelt behandlingsområde er relativt enkelt, men hele netværket er i stand til at løse komplekse problemer, når hver neuron arbejder sammen. Forbindelserne mellem hver lille neuron kan konfigureres til nye netværksmønstre. Dette gør det muligt for hjernen at omorganisere sig selv og ”lære” nye koncepter.
Ligesom en menneskelig hjerne indeholder et kunstigt neuralt netværk mange små processorer og forbindelser, som kan konfigureres igen. Begrebet brug af kunstige neuroner blev først beskrevet af forskerne Walter Pitts og Warren McCulloch i 1943. Dette videnskabelige arbejde blev snart udvidet og offentliggjort af den berømte kunstige intelligenspioner, Alan Turing, som skrev om kunstige neurale netværk i en publikation fra 1948 med titlen “Intelligent Machinery .”
Finansiel beregning er en af de mest almindelige anvendelser af neurale netværk til forudsigelse. I det væsentlige bruges et neuralt netværk som et matematisk “filter” til at forudsige et resultat baseret på tilgængelige økonomiske data. Denne funktion bruges ofte i aktiemarkedsforudsigelsessoftware. I denne applikation behandler en computer tidligere markedstendenser. Når et mønster er etableret, beregner det neurale netværk, om en bestand vil stige eller falde i fremtiden.
Neurale netværk kan også bruges til at bestemme kreditvurderingen for en enkeltperson eller virksomhed. Som med bestandsforudsigelse er mønstergenkendelse nøglen. Et netværk kan overveje tusinder af tidligere kreditmodtagere og analysere deres økonomiske historie. Ved at finde tidligere tendenser kan neurale netværk til forudsigelse estimere, hvilke nye ansøgere der sandsynligvis misligholder deres kredit. Disse personer får en kreditrisiko med høj risiko baseret på forudsigelse.
På lignende måde kan neurale netværk bruges til vejrprognose. Mange forskellige miljøfaktorer, såsom temperatur og vindstrømme, kan føres ind i netværket. Ved hjælp af en prognosemodel, der er baseret på tidligere klimamønstre, kan det neurale netværk bestemme det sandsynlige resultat af de nuværende vejrforhold.
Brug af neurale netværk til forudsigelse kan også hjælpe med at løse visse medicinske problemer. Den menneskelige krop er meget kompleks, og snesevis eller endda hundreder af faktorer kan kombineres for at forårsage en medicinsk tilstand. Neurale netværk er undertiden i stand til at udlede kilden til et symptom. I denne applikation kan et kunstigt netværk finde tendenser og mønstre fra tidligere patientjournaler og forudsige den mest sandsynlige årsag til en sygdom.