Le reti neurali sono paradigmi che utilizzano una rete di elementi semplici di elaborazione delle informazioni. Le reti neurali sono ispirate dalle osservazioni di cervelli umani. A differenza di elaboratori digitali, reti neurali non sono programmate e imparano dall'esperienza. Un utilizzo comune di reti neurali è la classificazione di modelli. Una rete neurale che ha dimostrata migliaia di immagini di cellule cancerose e non cancerose può prevedere con precisione se una nuova immagine di una cella rappresenta una cellula tumorale o no.
Perceptron
Perceptron furono inventati da Frank Rosenblatt nel tardo 1950. Essi sono ancora utilizzati per problemi di classificazione semplice perché sono facili da costruire in hardware e facile da programmare nel software. Perceptron utilizza un paradigma di "apprendimento supervisionato". Il percettrone è mostrato un esempio e chiesto di classificarlo. Se il perceptron classifica l'esempio correttamente, senza regolazioni. Se il perceptron classifica l'esempio in modo non corretto i "pesi" associati a ogni elemento in the perceptron sono spostati gradualmente affinché il perceptron classifica nell'esempio leggermente migliore. Ad esempio, se una lettura negativa indica un esempio non corretto e una lettura positiva indica un buon esempio, i pesi verranno regolati affinché l'output è leggermente più positivo quando un buon esempio è classificato in modo non corretto. Dopo un sacco di spostamento, il perceptron si assesta in uno stato dove classificherà ogni pattern correttamente.
Reti feedforward
Reti feedforward, anche comunemente note come backpropagation reti, sono addestrate come perceptron con apprendimento supervisionato. La differenza è che l'aggiornamento dei pesi in un feedforward netto è molto più complicato. Reti feedforward raramente sono costruite nell'hardware, e sono difficile e richiede tempo per programma nel software. Tuttavia, essi sono il più comunemente impiegate e più intensamente studiate, della classificazione di reti neurali. La ragione per la loro popolarità è che possono fare classificazioni più fini e più complesse. Come più neural nets, mangimi reti avanti possono "generalizzare." Quando essi sono addestrati un numero sufficiente di volte su un insieme rappresentativo di esempi, si possono classificare correttamente nuovi esempi che non hanno mai visto prima.
Reti di Kohonen
Il vantaggio che tutte le reti neurali hanno più programmi per elaboratore è che essi sono addestrati, non programmato. Ciò consente di risolvere i problemi di classificazione per i quali non si dispone di un algoritmo. Visualizza la rete neurale una vasta selezione di buoni e cattivi esempi. Kohonen utilizzare "unsupervised learning" per classificare un flusso di esempi in un gruppo di cluster. Dopo l'allenamento, una rete di Kohonen può classificare un esempio di nuovo, non precedentemente visto, come appartenenti a uno dei cluster. Reti di Kohonen sono noti anche come auto organizzazione di mappe (SOM).