Qu'est-ce que la classification de réseau neuronal?

Le réseau de neurones classification est le processus par lequel les ordinateurs sont capables de classer les données en utilisant des motifs de circuits trouvés dans les réseaux de neurones biologiques. Le circuit neuronal est le circuit le plus complexe connu et est capable de plus de traitement de données - à la fois en parallèle et en série - de n'importe quel ordinateur dans l'existence à partir de 2011, et une raison pour laquelle il est si puissant, c'est la capacité d'adaptation des circuits neuronaux. Connexions, synapses et portails fonctionnels logiques peuvent renforcer et affaiblir la base des informations précédentes et les taux de tir de neurones. Ce même circuit d'adaptation à une intégration efficace de l'information et le traitement des données pour la classification statistique peut être exploitée par incorporation de ces motifs et les méthodes de conception assistée par ordinateur circuit.
 

Le cerveau est une source impressionnante de puissance de traitement combiné avec des statistiques non linéaires naturellement modélisation de données d'outils. Les motifs dans les circuits neuronaux varient d'unités de traitement simples à des systèmes d'intégration d'informations complexes. Les systèmes adaptatifs biologiques dans les réseaux de neurones changent la façon dont ils traitent l'information en fonction des informations reçues précédente. Beaucoup de la même manière qu'une personne apprend à couvrir le bruit de fond, un réseau neuronal artificiel peut apprendre à pondérer pièces séparées de l'information différemment, donnant plus de poids à l'information que le système a appris à désigner comme «important».
 Les modèles informatiques pour la classification de réseau neuronal profiter des connaissances acquises à partir de l'étude des neurones naturels capacités de traitement de réseau, à partir d'unités dans le circuit au processus par lequel l'information est pondérée. Ces motifs peuvent être mieux comprises, les prêts d'autres renseignements sur le fonctionnement du cerveau ainsi que de recréer le motif in silico, ce qui signifie que les ordinateurs sont utilisés pour plus de neurones puissance de traitement statistique de classification du réseau. Les applications de classification de réseau neuronal sont d'une grande portée, mais les progrès réalisés d'ici 2011 ont été relativement faibles, principalement en raison de la nascence de l'étude et la compréhension des réseaux de neurones.
 

méthodes de traitement de l'information qui intègre les systèmes adaptatifs, imitant les circuits mobiles dans le cerveau, comme l'apprentissage de la machine en fonction des paramètres de données précédentes, permet aux scientifiques de traiter les données d'une manière unique et dynamique. Certaines personnes disent que cela est nécessaire, car l'accumulation de données en sciences a connu une croissance exponentielle et techniques pour augmenter la quantité de données prises ont été de plus en plus efficace. De nombreux scientifiques pensent que le goulot d'étranglement dans les découvertes scientifiques sera l'assimilation et le traitement de données elle-même. Pour l'analyse statistique, non-linéaires, les méthodes d'apprentissage basés sur les machines sont devenues plus largement invoqués.
 

Grâce à un modèle de calcul, les programmeurs peuvent créer des réseaux de neurones artificiels constitués de neurones artificiels pour représenter un cerveau mécanique - une unité de traitement d'informations-in silico qui a la capacité de modifier son analyse statistique dynamiquement en fonction des données évaluées précédentes. Essentiellement, en fondant le traitement des données sur la classification de réseau neuronal pourrait permettre aux scientifiques de créer des machines plus puissantes qui sont capables d'apprendre. Une machine capable de modifier dynamiquement ses capacités de classification basée sur l'information précédente est un outil puissant fait pour aider les scientifiques dans les problèmes engendrés par essayer d'analyser de grandes quantités de données.