Hvad er Neural Network Classification?
Neural netværksklassificering er den proces, gennem hvilken computere er i stand til at klassificere data ved hjælp af kredsløbsmotiver, der findes i biologiske neurale netværk. Neuralkredsløbet er det mest komplekse kredsløb, der er kendt og er i stand til mere databehandling - både parallelt og serielt - end nogen computer, der eksisterede i 2011, og en af grundene til, at det er så kraftfuldt, er den adaptive kapacitet til neuralkredsløb. Forbindelser, synapser og funktionelle logiske porte kan styrke og svækkes baseret på tidligere information og neurale fyringshastigheder. Denne samme kredsløbstilpasning til effektiv informationsintegration og databehandling til statistisk klassificering kan udnyttes ved inkorporering af disse kredsløbsmotiver og -metoder i computerudformning.
Hjernen er en imponerende kilde til processorkraft kombineret med naturligt forekommende ikke-lineære statistiske datamodelleringsværktøjer. Motiverne, der findes i neurale kredsløb, varierer fra enkle behandlingsenheder til komplekse informationsintegrationssystemer. De biologiske adaptive systemer i neurale netværk ændrer, hvordan de behandler information baseret på tidligere modtagne oplysninger. Meget på samme måde som en person lærer at drukne baggrundsstøj, kan et kunstigt neuralt netværk lære at vægte adskilte informationer forskelligt, hvilket giver mere vægt på information, som systemet har lært at udpege som "vigtigt."
Beregningsmodeller til klassificering af neuralt netværk drager fordel af den viden, der er opnået ved at studere de naturligt forekommende neurale netværksbehandlingsfunktioner, fra enheder inden for kredsløb til den proces, hvorpå information vægtes. Disse motiver kan derefter bedre forstås ved at give yderligere indsigt i hjernens funktionsevne og genskabe motivet i silico , hvilket betyder, at computere bruges til større statistisk neuralt netværksklassificering forarbejdningskraft. Anvendelserne af neuralnetværksklassificering er vidtrækkende, men de fremskridt, der er gjort i 2011, havde været relativt små, stort set på grund af ubehageligheden ved undersøgelsen og forståelsen af neurale netværk.
Informationsbehandlingsmetoder, der inkorporerer adaptive systemer, der efterligner det bevægelige kredsløb i hjernen, såsom maskinlæring baseret på tidligere dataparametre, giver forskere mulighed for at behandle data på en unik og dynamisk måde. Nogle mennesker siger, at dette er nødvendigt, fordi dataakkumulering i videnskab er vokset eksponentielt, og teknikker til at øge mængden af data, der er taget, er blevet mere effektive. Mange forskere mener, at flaskehalsen i videnskabelige opdagelser vil være assimilering og selve databehandlingen. Til statistisk analyse er ikke-lineære, maskinbaserede indlæringsmetoder blevet mere afhængige af.
Gennem en beregningsmodel kan programmerere oprette kunstige neurale netværk bestående af kunstige neuroner til at repræsentere en mekanisk hjerne - en in silico- informationsbehandlingsenhed, der har evnen til at ændre sin statistiske analyse dynamisk baseret på tidligere vurderede data. Grundlæggende kan basering af databehandling på neural netværksklassificering give forskere mulighed for at skabe mere magtfulde maskiner, der er i stand til at lære. En maskine, der er i stand til dynamisk at ændre sine klassificeringsevner baseret på tidligere oplysninger, er et kraftfuldt værktøj, der er lavet til at hjælpe forskere med de problemer, der produceres ved at prøve at analysere store mængder data.