Wat is een feedforward neuraal netwerk?
Een feedforward neuraal netwerk is een type neuraal netwerk waarbij de unitverbindingen niet in een lus reizen, maar in een enkel gericht pad. Dit verschilt van een terugkerend neuraal netwerk, waar informatie zowel vooruit als achteruit door het systeem kan bewegen. Een feedforward neuraal netwerk is misschien wel het meest voorkomende type neuraal netwerk, omdat het een van de gemakkelijkst te begrijpen en te configureren is. Dit soort neurale netwerken wordt gebruikt in datamining en andere onderzoeksgebieden waar voorspellend gedrag vereist is.
Een neuraal netwerk is een kunstmatig intelligentienetwerk dat is ontworpen om de 'denkprocessen' van een menselijk brein losjes te imiteren. Door gegevensreeksen in het netwerk in te voeren, krijgt de computer de gelegenheid om de patronen die erdoorheen "leren" te leren, waardoor antwoorden correct kunnen worden geïdentificeerd en trendanalyses kunnen worden verstrekt. Ze worden gebruikt in taken waarbij een zekere mate van leren en patroonherkenning vereist is, zoals tijdens datamining-operaties. Datamining is gewoon de analyse van trends uit een verzameling informatie, zoals de analyse van consumententrends en de voortgang van de aandelenmarkt.
Informatie die door een feedforward neuraal netwerk reist, gaat de invoerlaag in, reist door de verborgen laag en komt uit de buitenste laag van het netwerk en biedt de eindgebruiker een antwoord op zijn vraag. Een invoerlaag is gewoon de plaats waar de gebruiker de onbewerkte gegevens of parameters van de informatie invoert. Het vlees van de transactie vindt plaats in de verborgen laag, waar de computer terugvalt op zijn 'ervaring' met het verwerken van vergelijkbare gegevens om een geschat antwoord te produceren. De informatie wordt door de uitvoerlaag geleid, waar een antwoord wordt teruggegeven aan de eindgebruiker.
Een feedforward neuraal netwerk wordt meestal efficiënter naarmate de eindgebruiker het steeds meer experimentele gegevens verstrekt. Net als bij het berekenen van een gemiddelde, wordt een nauwkeuriger resultaat bereikt door een groot aantal testgebeurtenissen te gebruiken. Bijvoorbeeld, de kans om een "1" op een zeszijdige dobbelsteen te gooien is 16.667 procent; maar het duurt honderden of duizenden simulaties voordat het berekende gemiddelde wordt bevestigd door het gebruik van gegevens uit de praktijk. Feedforward neurale netwerken zijn hetzelfde; hun antwoorden zullen na verloop van tijd en ervaring nauwkeuriger worden.