โครงข่ายประสาทโปรแกรมคอมพิวเตอร์ที่ทำงานในลักษณะที่ได้รับแรงบันดาลใจจากโครงข่ายประสาทธรรมชาติในสมอง วัตถุประสงค์ของเครือข่ายประสาทเทียมดังกล่าวคือการทำหน้าที่รับรู้เช่นการแก้ปัญหาและการเรียนรู้ของเครื่อง พื้นฐานทางทฤษฎีของโครงข่ายประสาทเทียมได้รับการพัฒนาในปี 1943 โดยนักประสาทวิทยานักประสาทวิทยา Warren McCulloch จากมหาวิทยาลัยอิลลินอยส์และนักคณิตศาสตร์วอลเตอร์พิตต์จากมหาวิทยาลัยชิคาโก ในปี 1954 Belmont Farley และ Wesley Clark แห่งสถาบันเทคโนโลยีแมสซาชูเซตส์ประสบความสำเร็จในการใช้งานระบบเครือข่ายประสาทอย่างง่ายเป็นครั้งแรก การดึงดูดหลักของโครงข่ายประสาทเทียมคือความสามารถในการเลียนแบบทักษะการจดจำรูปแบบของสมอง ในการใช้งานเชิงพาณิชย์ของความสามารถนี้เครือข่ายประสาทถูกนำมาใช้ในการตัดสินใจลงทุนรู้จักลายมือและแม้แต่ตรวจจับระเบิด
ทฤษฎีออโตมาตะ: โครงข่ายประสาทและออโตมาตะ
ส่วนหนึ่งของทฤษฎีออโตมาตะอยู่ในพื้นที่ของการศึกษาทางคณิตศาสตร์ที่บริสุทธิ์มักจะใช้แบบจำลองของส่วนของระบบประสาทใน
คุณสมบัติที่แตกต่างของเครือข่ายประสาทคือความรู้เกี่ยวกับโดเมนนั้นกระจายไปทั่วเครือข่ายแทนที่จะเขียนลงในโปรแกรมอย่างชัดเจน ความรู้นี้เป็นแบบจำลองเป็นการเชื่อมต่อระหว่างองค์ประกอบการประมวลผล (เซลล์ประสาทเทียม) และน้ำหนักการปรับตัวของแต่ละการเชื่อมต่อเหล่านี้ เครือข่ายเรียนรู้ผ่านการสัมผัสกับสถานการณ์ต่าง ๆ โครงข่ายใยประสาทเทียมสามารถทำได้โดยการปรับน้ำหนักของการเชื่อมต่อระหว่างเซลล์ประสาทสื่อสารที่แบ่งออกเป็นเลเยอร์ดังแสดงในรูปของเครือข่ายป้อนข้อมูลแบบง่าย ชั้นข้อมูลเข้าของเซลล์ประสาทเทียมได้รับข้อมูลจากสภาพแวดล้อมและชั้นผลลัพธ์นั้นสื่อสารการตอบสนอง ระหว่างเลเยอร์เหล่านี้อาจเป็นเลเยอร์“ ซ่อน” หนึ่งเลเยอร์หรือมากกว่านั้น (โดยไม่มีการสัมผัสโดยตรงกับสภาพแวดล้อม) ซึ่งการประมวลผลข้อมูลส่วนใหญ่เกิดขึ้น ผลลัพธ์ของโครงข่ายประสาทเทียมขึ้นอยู่กับน้ำหนักของการเชื่อมต่อระหว่างเซลล์ประสาทในชั้นต่าง ๆ น้ำหนักแต่ละตัวบ่งชี้ความสำคัญสัมพัทธ์ของการเชื่อมต่อเฉพาะ หากจำนวนทั้งหมดของอินพุตที่รับน้ำหนักโดยเซลล์ประสาทนั้นเกินกว่าค่าเกณฑ์ที่กำหนดเซลล์ประสาทจะส่งสัญญาณไปยังเซลล์ประสาทแต่ละเซลล์ที่เชื่อมต่อในชั้นถัดไป ในการประมวลผลแอปพลิเคชันสินเชื่อตัวอย่างเช่นปัจจัยการผลิตอาจแสดงข้อมูลโปรไฟล์ผู้สมัครสินเชื่อและผลลัพธ์ว่าจะให้สินเชื่อหรือไม่
การดัดแปลงสองอย่างของบัญชีเครือข่ายนิวรัลแบบเรียบง่ายสำหรับการเติบโตของแอปพลิเคชันเช่นการจดจำใบหน้า ขั้นแรกเครือข่ายสามารถติดตั้งกลไกการป้อนกลับหรือที่เรียกว่าอัลกอริธึมการแพร่กระจายย้อนกลับซึ่งช่วยให้สามารถปรับน้ำหนักการเชื่อมต่อย้อนกลับผ่านเครือข่ายฝึกอบรมเพื่อตอบสนองต่อตัวอย่างที่เป็นตัวแทน ประการที่สองเครือข่ายประสาทกำเริบสามารถพัฒนาได้ซึ่งเกี่ยวข้องกับสัญญาณที่ดำเนินการทั้งสองทิศทางรวมถึงภายในและระหว่างเลเยอร์ (อันที่จริงแล้วสำหรับเครือข่ายขนาดใหญ่มันอาจเป็นเรื่องยากมากที่จะทำตามวิธีการกำหนดเอาท์พุท)
เครือข่ายประสาทการฝึกอบรมมักจะเกี่ยวข้องกับการเรียนรู้ภายใต้การดูแลซึ่งตัวอย่างการฝึกอบรมแต่ละตัวอย่างมีค่าของข้อมูลอินพุตและเอาต์พุตที่ต้องการ ทันทีที่เครือข่ายสามารถทำงานได้ดีพอในกรณีทดสอบเพิ่มเติมก็สามารถนำไปใช้กับกรณีใหม่ ตัวอย่างเช่นนักวิจัยที่มหาวิทยาลัยบริติชโคลัมเบียได้ทำการฝึกอบรมโครงข่ายประสาทเทียมไปข้างหน้าพร้อมกับข้อมูลอุณหภูมิและความดันจากมหาสมุทรแปซิฟิกเขตร้อนและจากอเมริกาเหนือเพื่อทำนายรูปแบบสภาพอากาศโลกในอนาคต
ในทางตรงกันข้ามเครือข่ายประสาทบางอย่างได้รับการฝึกอบรมผ่านการเรียนรู้ที่ไม่ได้รับการดูแลซึ่งเครือข่ายจะถูกนำเสนอด้วยการรวบรวมข้อมูลอินพุตและกำหนดเป้าหมายในการค้นพบรูปแบบ - โดยไม่ได้รับการบอกล่วงหน้า ตัวอย่างเช่นเครือข่ายประสาทอาจใช้ในการขุดข้อมูลเพื่อค้นหากลุ่มลูกค้าในคลังข้อมูลการตลาด
โครงข่ายประสาทเทียมอยู่ในระดับแนวหน้าของการคำนวณทางปัญญาซึ่งมีจุดประสงค์เพื่อให้เทคโนโลยีสารสนเทศดำเนินการบางอย่างของฟังก์ชั่นทางจิตขั้นสูงของมนุษย์ ระบบการเรียนรู้เชิงลึกนั้นใช้เครือข่ายและพลังงานหลายระดับเช่นความสามารถในการรู้จำเสียงของผู้ช่วยมือถือของ Apple Siri รวมพลังการประมวลผลที่เพิ่มขึ้นอย่างรวดเร็วและมวลรวมของข้อมูลขนาดใหญ่ และเครื่องจักร
