인공 신경망 (LAN, English : Artificial Neural Network, ANN)은 기계 학습 및 인지 과학에서 생물학의 신경 네트워크 (동물의 중추 신경 시스템, 특히 뇌)에서 영감을 얻은 통계 학습 알고리즘입니다. 인공 뉴런은 시냅스를 결합하여 네트워크를 형성하는 인공 뉴런(노드)이 학습으로 시냅스의 결합 강도를 변화시키고 문제 해결 능력을 갖추는 전체 모델을 말한다. 좁은 의미에서 오류역 전파 방법을 사용하는 다층 지각자를 지칭할 수도 있지만, 이것은 오용이며 인공 신경망은 이에 국한되지 않습니다.
인공신경망은 교사 신호(정답)의 입력과 교사 신호가 필요 없는 비 안내자 학습으로 문제에 최적화된 교수학습이 있다. 명확한 대답이 있는 경우, 교사 학습은 비교 회사 학습이 사용되는 데이터 클러스터링에 사용됩니다. 인공 신경망은 일반적으로 베일에 싸인 기능을 추론하고 근사할 때 사용되며 많은 입력에 의존합니다. 일반적으로 입력으로부터 값을 계산하고 적응 가능하며 패턴 인식과 같은 기계 학습을 수행할 수 있는 신경 시스템의 상호 연결에서 표현됩니다.
예를 들어, 필기체 인식을 위한 신경망은 입력 뉴런의 집합으로 정의되며, 이들은 입력 이미지의 픽셀에 의해 활성화된다. 기능의 변형과 무게(이것들은 뉴런을 만든 사람에 의해 결정됨)를 적용하면, 해당 뉴런의 활성화는 다른 뉴런으로 전달된다. 이 처리는 마지막 출력 뉴런이 활성화될 때까지 반복되며, 이는 읽은 문자에 따라 결정됩니다.
다른 기계 학습 - 데이터 - 신경 네트워크에서 배우는 것은 일반적으로 규칙 기반 프로그래밍으로 해결하기 어려운 컴퓨터 비전 및 음성 인식과 같은 다양한 문제를 해결하는 데 사용됩니다.
인간의 중추 신경계에 관한 조사는 신경망의 개념에 영향을 미쳤다. 인공 뉴런은 생물학적 신경망을 모방하는 네트워크를 형성하기 위해 인공 뉴런에 의해 서로 연결되어 있습니다.
인공 신경망은 어떤 것에 대한 공식적인 정의는 아니지만, 통계 모델 집합이 다음과 같은 특징을 가지고 있는 경우, 집합을 신경이라고 한다.
그것은 조정 가능한 가중치, 즉 학습 알고리즘에 의해 조정 가능한 숫자로 표현되는 매개 변수로 구성됩니다.
입력의 비선형 함수를 유추할 수 있습니다.
조정 가능한 가중치는 뉴런 사이의 연결 강도를 의미하며, 이는 훈련이나 예측 중에 작동한다.
신경망은 다양한 단위가 할당한 하위 과제보다는 단위에 의해 병렬 또는 집단으로 기능을 수행한다는 점에서 생물학적 신경망과 유사하다. 신경망이라는 용어는 일반적으로 통계, 인지 심리학 및 인공 지능에 사용되는 모델을 가리 킵니다. 중심 신경을 모방하는 신경망 모델은 이론 신경 과학 및 계산 신경 과학의 일부입니다.
인공 신경망을 구현하는 현대 소프트웨어에서 생물학적 접근법은 주로 신호 처리 및 통계에 기반을 둔 보다 현실적인 접근 때문에 사용되지 않습니다. 이들 시스템 중 일부는 신경망의 큰 시스템이나 신경망(인공신경)의 일부를 가지고 있으며, 이러한 시스템은 조정할 수 있거나 비기능적인 구성 요소로 결합한다. 이러한 시스템의 일반적인 접근 방식은 많은 현실적인 문제 해결에 적합하지만, 전통적인 인공 지능 연결 모델에서는 그렇지 않습니다. 그러나 이러한 점들은 비선형 원리 분산, 병렬 및 지역 처리 및 적응이라는 공통적인 점을 가지고 있다. 역사적으로 신경 모델의 사용은 18세기 후반의 if then 규칙에서 표현된 지능을 가진 전문가 시스템을 특징으로 하는 고차원 인공지능에서 역동적인 시스템의 매개 변수를 가진 지능을 특징으로 하는 저 차원 기계 학습으로 패러다임을 전환하는 것이다.