透過使用連線的“神經元”結構，這些網路可以透過“學習”並在沒有人類參與的情況下處理和評估某些資料。

這樣的實際例項之一是使用人工神經網路(ANN)識別影象中的物件。在構建一個識別“貓“影象的一個系統中，將在包含標記為“貓”的影象的資料集上訓練人工神經網路，該資料集可用作任何進行分析的參考點。正如人們可能學會根據尾巴或皮毛等獨特特徵來識別狗一樣，人工神經網路(ANN)也可以透過將每個影象分解成不同的組成部分(如顏色和形狀)進行識別。

實際上，神經網路提供了位於託管資料之上的排序和分類級別，可基於相似度來輔助資料的聚類和分組。可以使用人工神經網路(ANN)生成複雜的垃圾郵件過濾器，查詢欺詐行為的演算法以及可以精確瞭解情緒的客戶關係工具。

人工神經網路如何工作

人工神經網路的靈感來自人腦的神經組織，使用類似於神經元的計算節點構造而成，這些節點沿著通道(如神經突觸的工作方式)進行資訊互動。這意味著一個計算節點的輸出將影響另一個計算節點的處理。

神經網路標誌著人工智慧發展的巨大飛躍，在此之前，人工智慧一直依賴於使用預定義的過程和定期的人工干預來產生所需的結果。人工神經網路可以使分析負載分佈在多個互連層的網路中，每個互連層包含互連節點。在處理資訊並對其進行場景處理之後，資訊將傳遞到下一個節點，然後向下傳遞到各個層。這個想法是允許將其他場景資訊接入網路，以通知每個階段的處理。

單個“隱藏”層神經網路的基本結構

就像漁網的結構一樣，神經網路的一個單層使用鏈將處理節點連線在一起。大量的連線使這些節點之間的通訊得到增強，從而提高了準確性和資料處理吞吐量。

然後，人工神經網路將許多這樣的層相互疊放以分析資料，從而建立從第一層到最後一層的輸入和輸出資料流。儘管其層數將根據人工神經網路的性質及其任務而變化，但其想法是將資料從一層傳遞到另一層，並隨其新增附加的場景資訊。

人腦是用3D矩陣連線起來的，而不是大量堆疊的圖層。就像人類大腦一樣，節點在接收到特定刺激時會在人工神經網路上“發射”訊號，並將訊號傳遞到另一個節點。但是，對於人工神經網路，輸入訊號定義為實數，輸出為各種輸入的總和。

這些輸入的值取決於它們的權重，該權重用於增加或減少與正在執行的任務相對應的輸入資料的重要性。其目標是採用任意數量的二進位制數值輸入並將其轉換為單個二進位制數值輸出。

更復雜的神經網路提高了資料分析的複雜性

早期的神經網路模型使用淺層結構，其中只使用一個輸入和輸出層。而現代的系統由一個輸入層和一個輸出層組成，其中輸入層首先將資料輸入網路，多個“隱藏”層增加了資料分析的複雜性。

這就是“深度學習”一詞的由來——“深度”部分專門指任何使用多個“隱藏”層的神經網路。

聚會的例子

為了說明人工神經網路在實際中是如何工作的，我們將其簡化為一個實際示例。

透過將這些考慮因素轉換為二進位制數值，可以使用人工神經網路對該過程進行建模。例如，我們可以為“天氣”指定一個二進位制數值，即‘1'代表晴天，‘0'代表惡劣天氣。每個決定因素將重複相同的格式。

然而，僅僅賦值是不夠的，因為這不能幫助你做出決定。為此需要定義一個閾值，即積極因素的數量超過消極因素的數量。根據二進位制數值，合適的閾值可以是“2”。換句話說，在決定參加聚會之前，需要兩個因素的閾值都是“1”，你才會決定去參加聚會。如果你的朋友要參加聚會(‘1')，並且天氣很好(‘1')，那麼這就表示你可以參加聚會。

如果天氣不好(‘0')，並且聚會地點很遠(‘0')，則達不到這一閾值，即使你的朋友參加(‘1')，你也不會參加聚會。

神經加權

誠然，這是神經網路基本原理的一個非常基本的例子，但希望它有助於突出二進位制值和閾值的概念。然而，決策過程要比這個例子複雜得多，而且通常情況下，一個因素比另一個因素對決策過程的影響更大。

要建立這種變化，可以使用“神經加權”——-透過乘以因素的權重來確定因素的二進位制值對其他因素的重要性。

儘管示例中的每個注意事項都可能使你難以決策，但你可能會更重視其中一個或兩個因素。如果你不願意在大雨中出行去聚會，那惡劣的天氣將會超過其他兩個考慮因素。在這一示例中，可以透過賦予更高的權重來更加重視天氣因素的二進位制值：

天氣= w5朋友= w2距離= w2

如果假設閾值現在已設定為6，則惡劣的天氣(值為0)將阻止其餘輸入達到所需的閾值，因此該節點將不會“觸發”(這意味著你將決定不參加聚會)。

雖然這是一個簡單的示例，但它提供了基於提供的權重做出決策的概述。如果要將其推斷為影象識別系統，則是否參加聚會(輸入)的各種考慮因素將是給定影象的折衷特徵，即顏色、大小或形狀。例如，對識別狗進行訓練的系統可以對形狀或顏色賦予更大的權重。

當神經網路處於訓練狀態時，權重和閾值將設定為隨機值。然後，當訓練資料透過網路傳遞時將不斷進行調整，直到獲得一致的輸出為止。

神經網路的好處

神經網路可以有機地學習。也就是說，神經網路的輸出結果並不受輸入資料的完全限制。人工神經網路可以概括輸入資料，使其在模式識別系統中具有價值。

他們還可以找到實現計算密集型答案的捷徑。人工神經網路可以推斷資料點之間的關係，而不是期望資料來源中的記錄是明確關聯的。

它們也可以是容錯的。當神經網路擴充套件到多個系統時，它們可以繞過無法通訊的缺失節點。除了圍繞網路中不再起作用的部分進行路由之外，人工神經網路還可以透過推理重新生成資料，並幫助確定不起作用的節點。這對於網路的自診斷和除錯非常有用。

但是，深度神經網路提供的最大優勢是能夠處理和聚類非結構化資料，例如圖片、音訊檔案、影片、文字、數字等資料。在分析層次結構中，每一層節點都在前一層的輸出上進行訓練，深層神經網路能夠處理大量的這種非結構化資料，以便在人類處理分析之前找到相似之處。

神經網路的例子

神經網路應用還有許多示例，可以利用它從複雜或不精確資料中獲得見解的能力。

影象識別人工神經網路可以解決諸如分析特定物體的照片等問題。這種演算法可以用來區分狗和貓。更重要的是，神經網路已經被用於只使用細胞形狀資訊來診斷癌症。

近30年來，金融神經網路被用於匯率預測、股票表現和選擇預測。神經網路也被用來確定貸款信用評分，學習正確識別良好的或糟糕的信用風險。而電信神經網路已被電信公司用於透過實時評估網路流量來最佳化路由和服務質量。