Искусственные нейронные сети (ИНС)— математические модели, также их программные либо аппаратные реализации, построенные по принципу организации и функционирования био нейронных сетей — сетей нервных клеток живого организма. Это понятие появилось при исследовании процессов, протекающих в мозге, и при попытке смоделировать эти процессы.
Первой таковой попыткой были нейронные сети Маккалока и Питтса. Потом, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачках прогнозирования, для определения образов, в задачках управления и др.
ИНС представляют собой систему соединённых и взаимодействующих меж собой обычных микропроцессоров (искусственных нейронов). Такие микропроцессоры обычно достаточно ординарны, в особенности в сопоставлении с микропроцессорами, применяемыми в компьютерах. Каждый микропроцессор схожей сети имеет дело только с сигналами, которые он временами получает, и сигналами, которые он временами отправляет другим микропроцессорам. И все же, будучи соединёнными в довольно огромную сеть с управляемым взаимодействием, такие локально обыкновенные микропроцессоры совместно способны делать достаточно сложные задачки.
Исходя из убеждений машинного обучения, нейронная сеть представляет собой личный случай способов определения образов, дискриминантного анализа, способов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задачка нелинейной оптимизации. Исходя из убеждений кибернетики, нейронная сеть употребляется в задачках адаптивного управления и как методы для робототехники. Исходя из убеждений развития вычислительной техники и программирования, нейронная сеть — метод решения трудности действенного параллелизма. А исходя из убеждений искусственного ума, ИНС является основой философского течения коннективизма и главным направлением в структурном подходе по исследованию способности построения (моделирования) естественного ума при помощи компьютерных алгоритмов.
Нейронные сети не программируются в обычном смысле этого слова, они учатся. Возможность обучения — одно из основных преимуществ нейронных сетей перед классическими методами. На техническом уровне обучение заключается в нахождении коэффициентов связей меж нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости меж входными данными и выходными, также делать обобщение. Это означает, что в случае удачного обучения сеть сумеет возвратить верный итог на основании данных, которые отсутствовали в обучающей выборке, также неполных и/либо «зашумленных», отчасти искаженных данных.
