Postoje dve kategorije neuronskih mreža: veštačke i biološke. Predstavnik bioloških neuronskih mreža je nervni sistem živih bića. Veštačke neuronske mreže su po strukturi, funkciji i obradi informacija slične biološkim neuronskim mrežama, ali se radi o veštačkim tvorevinama. Neuronska mreža u računarskim naukama predstavlja veoma povezanu mrežu elemenata koji obrađuju podatke. One su sposobne da izađu na kraj sa problemima koji se tradicionalnim pristupom teško rešavaju, kao što su govor i prepoznavanje oblika. Jedna od važnijih osobina neuronskih mreža je njihova sposobnost da uče na ograničenom skupu primera. Biološke neuronske mreže su daleko komplikovanije od svojih matematičkih modela koji se koriste za veštačke neuronske mreže.
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.
Veštačke neuronske mreže su kolekcija matematičkih modela koji simuliraju neke od posmatranih osobina bioloških nervnih sistema i povlače sličnosti sa prilagodljivim biološkim učenjem. Sačinjene su od velikog broja međusobno povezanih neurona (obrađujućih elemenata) koji su, slično biološkim neuronima, povezani svojim vezama koje sadrže propusne (težinske) koeficijente, koje su po ulozi slične sinapsama.
Učenje se kod bioloških sistema obavlja putem regulisanja sinaptičkih veza koje povezuju aksone i dendrite neurona. Učenje tipičnih događaja putem primera se ostvaruje preko treninga ili otkrića do tačnih setova podataka ulaza-izlaza koji treniraju algoritam ponavljanjem podešavajući propusne (težinske) koeficijente veza (sinapse). Ove veze memorišu znanje neophodno za rešavanje specifičnog problema.
Većina neuronskih mreža ima neku vrstu pravila za “obučavanje”, čime se koeficijenti veza između neurona podešavaju na osnovu ulaznih podataka. Drugim rečima, neuronske mreže “uče” preko primera (kao što deca uče da prepoznaju konkretan predmet, objekat, proces ili pojavu preko odgovarajućih primera) i poseduju sposobnost za generalizaciju posle trening podataka.
Danas se neuronske mreže primenjuju za rešavanje sve većeg broja svakodnevnih problema sa značajnom kompleksnošću. Pokazuju dobre rezultate prilikom predviđanja i modelovanja sistema gde fizički procesi nisu jasni ili su veoma kompleksni. Prednost neuronskih mreža leži u visokoj elastičnosti prema poremećajima u ulaznim podacima i u sposobnosti da uči. Neuronska mreža često uspešno rešava probleme koji su previše kompleksni za konvencionalne tehnologije (na primer, problem koji nema algoritamsko rešenje ili za koji je algoritam previše komplikovan da bi bio pronađen) i one su često dobra pratnja problemima koje ljudi rešavaju.
There are two categories of neural networks: artificial and biological. A representative of biological neural networks is the nervous system of living beings. Artificial neural networks are similar in structure, function and information processing to biological neural networks, but they are artificial creations. A neural network in computer science represents a highly connected network of elements that process data. They are able to cope with problems that are difficult to solve with the traditional approach, such as speech and shape recognition. One of the more important properties of neural networks is their ability to learn from a limited set of examples. Biological neural networks are far more complicated than their mathematical models used for artificial neural networks.
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.
Artificial neural networks are a collection of mathematical models that simulate some of the observed properties of biological nervous systems and draw similarities to adaptive biological learning. They are made up of a large number of interconnected neurons (processing elements) which, similar to biological neurons, are connected by their connections containing permeability (weight) coefficients, which are similar in role to synapses.
Learning in biological systems is done by regulating the synaptic connections that connect the axons and dendrites of neurons. Learning typical events by example is accomplished through training or discovery to accurate input-output data sets that train the algorithm by iteratively adjusting the bandwidth (weight) coefficients of connections (synapses). These links store the knowledge necessary to solve a specific problem.
Most neural networks have some sort of „training“ rule, which adjusts the connection coefficients between neurons based on the input data. In other words, neural networks „learn“ through examples (just as children learn to recognize a specific subject, object, process or phenomenon through appropriate examples) and possess the ability to generalize after training data.
Today, neural networks are applied to solve an increasing number of everyday problems with significant complexity. They show good results when predicting and modeling systems where the physical processes are not clear or very complex. The advantage of neural networks lies in their high resilience to disturbances in the input data and in their ability to learn. Neural networks often successfully solve problems that are too complex for conventional technologies (for example, a problem that has no algorithmic solution or for which an algorithm is too complicated to find) and they are often a good companion to problems that humans solve.