Pomoću neuronskih mreža se najčešće rešavaju sledeće četiri vrste problema:
- klasifikacija,
- predviđanje,
- prepoznavanje oblika i
- optimizacija.
Kada se govori o neuronskim mrežama, misli se na “veštačke neuronske mreže” (engleski termin Artificial Neural Networks), zbog toga što se uglavnom govori o modelima neuronskih mreža, realizovanim na računarima.
Teoretski se neuronske mreže mogu obučiti za izračunavanje svake izračunljive funkcije. One mogu uraditi sve što može normalan digitalan računar da uradi.
Međutim, u praksi, neuronske mreže najbolje rezultate pokazuju na području klasifikacije, funkcije aproksimacije, na problemima mapiranja čija je tolerancija neprecizna, na problemima koji imaju dosta dostupnih podataka za trening ili na problemima koji zahtevaju brzu primenu odgovarajućeg pravila u zavisnosti od ulaznih podataka. Isto tako mapiranje vektora između prostora može se aproksimirati precizno putem neuronskih mreža. Neuronske mreže ne mogu da stvore informaciju koju ne sadrže trening podaci.
Danas neuronske mreže predstavljaju veoma atraktivnu oblast istraživanja i postoje brojne oblasti u kojima se koriste.
Neuronske mreže se primenjuju za:
- prepoznavanje oblika, rukopisa, govora,
- finansijske i ekonomske modele, predviđanje kretanja cena na tržištu,
- upravljanje sistemima,
- upravljanje proizvodnim procesima,
- analizu električnih kola,
- kompresovanje podataka,
- naftna istraživanja,
- kriminološka istraživanja,
- analizu medicinskih testova,
- ispitivanje EEG i EKG signala,
- pronalaženje optimalnog rešenja,
- upravljanje robotima,
- u bioračunarskim sistemima,
- vremensku prognozu i
- u drugima oblastima.
Prednost neuronskih mreža je njihova sposobnost da uče koja im daje prirodniji interfejs ka realnom svetu u odnosu na klasične sisteme koji moraju biti programirani.
Neuronske mreže imaju i mogućnost tolerancije nedostataka – mreža se sastoji od više elemanata procesiranja, pa može da funkcioniše i ako dođe do oštećenja dela mreže. Sposobne su da generalizuju, pa ako im se prezentuje nekompletan skup ulaznih podataka, mreža će ipak biti u stanju da da izlaz.
Neuronske mreže ne rade dobro ono što ni ljudi ne rade dobro. Nisu dobre za aritmetičke proračune i zadatke obrade podataka. Iako imaju odličnu moć predviđanja, imaju slabu sposobnost objašnjavanja. Neuronska mreža ne može korisniku da objasni kako je došla do određenog rešenja. Dugo vreme treninga takođe može da predstavlja problem, a ako je potreban čest trening, to može učiniti aplikacije neupotrebljivim.
The following four types of problems are most often solved using neural networks:
- classification,
- prediction,
- shape recognition and
- optimization.
When we talk about neural networks, we mean „artificial neural networks“ (the English term Artificial Neural Networks), because we are mainly talking about models of neural networks, implemented on computers.
In theory, neural networks can be trained to compute any computable function. They can do anything a normal digital computer can do.
However, in practice, neural networks show the best results in the area of classification, function approximation, on mapping problems whose tolerance is imprecise, on problems that have a lot of available data for training, or on problems that require fast application of the appropriate rule depending on the input data. Likewise, the mapping of vectors between spaces can be approximated precisely by means of neural networks. Neural networks cannot create information that is not contained in the training data.
Today, neural networks represent a very attractive area of research and there are numerous areas in which they are used.
Neural networks are applied for:
- recognition of shapes, handwriting, speech,
- financial and economic models, forecasting price movements on the market,
- systems management,
- management of production processes,
- electrical circuit analysis,
- data compression,
- oil exploration,
- criminological research,
- analysis of medical tests,
- examination of EEG and ECG signals,
- finding the optimal solution,
- robot management,
- in biocomputing systems,
- weather forecast and
- in other areas.
The advantage of neural networks is their ability to learn, which gives them a more natural interface to the real world compared to classical systems that must be programmed.
Neural networks also have the possibility of fault tolerance – the network consists of several processing elements, so it can function even if a part of the network is damaged. They are able to generalize, so if they are presented with an incomplete set of input data, the network will still be able to produce an output.
Neural networks don’t do well what humans don’t do well either. They are not good for arithmetic calculations and data processing tasks. Although they have excellent predictive power, they have poor explanatory power. A neural network cannot explain to the user how it arrived at a particular solution. Long training times can also be a problem, and if frequent training is required, it can make applications unusable.