Hva er nevrale nettverksklassifisering?

Nevralt nettverksklassifisering er prosessen datamaskiner kan klassifisere data ved å bruke kretsmotiver som finnes i biologiske nevrale nettverk. Neuralkretsen er den mest komplekse kretsen som er kjent og er i stand til mer databehandling - både parallelt og serielt - enn noen datamaskin som eksisterer fra 2011, og en grunn til at den er så kraftig, er den adaptive evnen til nevrale kretsløp. Tilkoblinger, synapser og funksjonelle logiske porter kan styrke og svekkes basert på tidligere informasjon og nevrale avfyringshastigheter. Denne samme kretstilpasning til effektiv informasjonsintegrering og databehandling for statistisk klassifisering kan utnyttes ved å inkorporere disse kretsmotivene og -metodene i datamaskinkonstruksjon.

Hjernen er en imponerende kilde til prosessorkraft kombinert med naturlig forekommende ikke-lineære statistiske datamodelleringsverktøy. Motivene som finnes i nevrale kretsløp varierer fra enkle prosesseringsenheter til komplekse informasjonsintegrasjonssystemer. De biologiske adaptive systemene i nevrale nettverk endrer hvordan de behandler informasjon basert på tidligere mottatt informasjon. Mye på samme måte som en person lærer å drukne bakgrunnsstøy, kan et kunstig nevralt nettverk lære å vekte separate informasjonsstykker annerledes, og gi mer vekt på informasjon som systemet har lært å utpeke som "viktig".

Beregningsmodeller for klassifisering av nevrale nettverk drar nytte av kunnskapen fra å studere de naturlig forekommende nevrale nettverksprosesseringsmulighetene, fra enheter i kretsløpet til prosessen som informasjon vektes gjennom. Disse motivene kan da forstås bedre, og gir ytterligere innsikt i hjernens virkemåte og gjenskaper motivet i silico , noe som betyr at datamaskiner blir brukt til større statistisk prosessorkraft for nevralt nettverk. Bruken av nevrale nettverksklassifisering er vidtrekkende, men fremdriften som ble gjort innen 2011, hadde vært relativt liten, i stor grad på grunn av ubehag i studien og forståelsen av nevrale nettverk.

Informasjonsprosesseringsmetoder som inneholder adaptive systemer, som etterligner de bevegelige kretsløpene i hjernen, for eksempel maskinlæring basert på tidligere dataparametere, lar forskere behandle data på en unik og dynamisk måte. Noen mennesker sier at dette er nødvendig fordi dataakkumulering i vitenskap har vokst eksponentielt og teknikker for å øke mengden data som er tatt har blitt mer effektive. Mange forskere tror at flaskehalsen i vitenskapelige funn vil være assimilering og databehandling i seg selv. For statistisk analyse er ikke-lineære, maskinbaserte læringsmetoder blitt mer avhengig av.

Gjennom en beregningsmodell kan programmerere lage kunstige nevrale nettverk bestående av kunstige nevroner for å representere en mekanisk hjerne - en i silico informasjonsbehandlingsenhet som har evnen til å endre sin statistiske analyse dynamisk basert på tidligere vurderte data. I utgangspunktet kan det å basere databehandling på nevralt nettverksklassifisering tillate forskere å lage kraftigere maskiner som er i stand til å lære. En maskin som er i stand til dynamisk å endre klassifiseringsevnen basert på tidligere informasjon, er et kraftig verktøy laget for å hjelpe forskere i problemene som produseres ved å prøve å analysere store datamengder.