| http://dbpedia.org/ontology/abstract
|
Em ciência da computação e campos relacion … Em ciência da computação e campos relacionados, redes neurais artificiais (português brasileiro) ou redes neuronais artificiais (português europeu) (RNAs) são modelos computacionais inspirados pelo sistema nervoso central de um animal (em particular o cérebro) que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões. Redes neurais artificiais geralmente são apresentadas como sistemas de "neurônios interconectados, que podem computar valores de entradas", simulando o comportamento de redes neurais biológicas. Por exemplo, uma rede neural para o reconhecimento de escrita manual é definida por um conjunto de neurônios de entrada que podem ser ativados pelos pixels de uma imagem de entrada. Os dados adquiridos por essa ativação dos neurônios são então repassados, ponderados e transformados por uma função determinada pelo designer da rede, a outros neurônios. Este processo é repetido até que, finalmente, um neurônio de saída é ativado. Isso determina que caractere foi lido. Assim como outros métodos de aprendizado de máquina, sistemas que aprendem a partir dos dados, redes neurais têm sido usadas para resolver uma grande variedade de tarefas que são difíceis de resolver utilizando programação baseada em regras comuns, incluindo visão computacional e reconhecimento de voz.são computacional e reconhecimento de voz.
, Nel campo dell'apprendimento automatico, u … Nel campo dell'apprendimento automatico, una rete neurale artificiale (in inglese artificial neural network, abbreviato in ANN o anche come NN) è un modello computazionale composto di "neuroni" artificiali, ispirato vagamente dalla semplificazione di una rete neurale biologica. Questi modelli matematici sono troppo semplici per ottenere una comprensione delle reti neurali biologiche, ma sono utilizzati per tentare di risolvere problemi ingegneristici di intelligenza artificiale come quelli che si pongono in diversi ambiti tecnologici (in elettronica, informatica, simulazione, e altre discipline). Una rete neurale artificiale può essere realizzata sia da programmi software che da hardware dedicato (DSP, Digital Signal Processing). Questa branca può essere utilizzata in congiunzione alla logica fuzzy.lizzata in congiunzione alla logica fuzzy.
, Un réseau de neurones artificiels, ou rése … Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien. Ils sont placés d'une part dans la famille des applications statistiques, qu'ils enrichissent avec un ensemble de paradigmes permettant de créer des classifications rapides (réseaux de Kohonen en particulier), et d'autre part dans la famille des méthodes de l'intelligence artificielle auxquelles ils fournissent un mécanisme perceptif indépendant des idées propres de l'implémenteur, et des informations d'entrée au raisonnement logique formel (voir Apprentissage profond). En modélisation des circuits biologiques, ils permettent de tester quelques hypothèses fonctionnelles issues de la neurophysiologie, ou encore les conséquences de ces hypothèses pour les comparer au réel. ces hypothèses pour les comparer au réel.
, Шту́чні нейро́нні мере́жі (ШНМ, англ. arti … Шту́чні нейро́нні мере́жі (ШНМ, англ. artificial neural networks, ANN), або конективістські системи (англ. connectionist systems) — це обчислювальні системи, натхнені біологічними нейронними мережами, що складають мозок тварин. Такі системи навчаються задач (поступально покращують свою продуктивність на них), розглядаючи приклади, загалом без спеціального програмування під задачу. Наприклад, у розпізнаванні зображень вони можуть навчатися ідентифікувати зображення, які містять котів, аналізуючи приклади зображень, як «кіт» і «не кіт», і використовуючи результати для ідентифікування котів в інших зображеннях. Вони роблять це без жодного апріорного знання про котів, наприклад, що вони мають хутро, хвости, вуса та котоподібні писки. Натомість, вони розвивають свій власний набір доречних характеристик з навчального матеріалу, який вони оброблюють. ШНМ ґрунтується на сукупності з'єднаних вузлів, що називають штучними нейронами (аналогічно до біологічних нейронів у головному мозку тварин). Кожне з'єднання (аналогічне синапсові) між штучними нейронами може передавати сигнал від одного до іншого. Штучний нейрон, що отримує сигнал, може обробляти його, й потім сигналізувати штучним нейронам, приєднаним до нього. В поширених реалізаціях ШНМ сигнал на з'єднанні між штучними нейронами є дійсним числом, а вихід кожного штучного нейрону обчислюється нелінійною функцією суми його входів. Штучні нейрони та з'єднання зазвичай мають , яка підлаштовується в перебігу навчання. Вага збільшує або зменшує силу сигналу на з'єднанні. Штучні нейрони можуть мати такий поріг, що сигнал надсилається лише якщо сукупний сигнал перетинає цей поріг. Штучні нейрони зазвичай організовано в шари. Різні шари можуть виконувати різні види перетворень своїх входів. Сигнали проходять від першого (входового) до останнього (виходового) шару, можливо, після проходження шарами декілька разів. Первинною метою підходу ШНМ було розв'язання задач таким же способом, як це робив би людський мозок. З часом увага зосередилася на відповідності певним розумовим здібностям, ведучи до відхилень від біології. ШНМ використовували в ряді різноманітних задач, включно з комп'ютерним баченням, розпізнаванням мовлення, машинним перекладом, соціально-мережевим фільтруванням, грою в настільні та відеоігри, та медичним діагностуванням.та відеоігри, та медичним діагностуванням.
, Jaringan saraf tiruan (JST) (bahasa Inggri … Jaringan saraf tiruan (JST) (bahasa Inggris: artificial neural network; ANN, atau simulated neural network (SNN), atau neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.pun dari suatu dimensi ke dimensi lainnya.
, الشبكات العصبونية الاصطناعية (بالإنجليزية: … الشبكات العصبونية الاصطناعية (بالإنجليزية: Artificial Neural Network ANN) أو ما يدعى أيضا بالشبكات العصبونية المحاكية simulated neural network أو SNN : مجموعة مترابطة من عصبونات افتراضية تنشئها برامجٌ حاسوبيَّةُ لتشابه عمل العصبون البيولوجي أو بنى إلكترونية (شيبات إلكترونية مصممة لمحاكاة عمل العصبونات) تستخدم النموذج الرياضي لمعالجة المعلومات بناء على الطريقة الاتصالية في الحوسبة. تتألف الشبكات العصبونية بشكل عام عناصر معالجة بسيطة تقوم بعمل بسيط لكن السلوك الكلي للشبكة يتحدد من خلال الاتصالات بين مختلف هذه العناصر التي تدعى هنا بالعصبونات ومؤشرات هذه العناصر element parameters. الإيحاء الأول بفكرة الشبكات العصبونية أتى من آلية عمل العصبونات الدماغية التي يمكن تشبيهها بشبكات بيولوجية كهربائية لمعالجة المعلومات الواردة إلى الدماغ. في هذه الشبكات اقترح دونالد هب أن المشبك العصبي يلعب دورا أساسيا في توجيه عملية المعالجة وهذا ما دفع للتفكير في فكرة الاتصالية والشبكات العصبونية الاصطناعية. تتالف الشبكات العصبونية الاصطناعية من أو ما قد ذكرنا مسبقا انه عصبونات neurons أو وحدات معالجة processing elements، متصلة معا لتشكل شبكة من العقد، وكل اتصال بين هذه العقد يملك مجموعة من القيم تدعى الأوزان تسهم في تحديد القيم الناتجة عن كل عنصر معالجة بناء على القيم الداخلة لهذا العنصر.معالجة بناء على القيم الداخلة لهذا العنصر.
, Umělá neuronová síť je jeden z výpočetních … Umělá neuronová síť je jeden z výpočetních modelů používaných v umělé inteligenci.Jejím vzorem je chování odpovídajících biologických struktur. Umělá neuronová síť je struktura určená pro distribuované paralelní zpracování dat. Skládá se z umělých (formálních) neuronů, jejichž předobrazem je biologický neuron. Neurony jsou vzájemně propojeny synaptickými vazbami a navzájem si předávají signály a transformují je pomocí přenosových funkcí. Neuron má libovolný počet vstupů, ale pouze jeden výstup. Neuronové sítě se používají mimo jiné pro rozpoznávání a kompresi obrazů či akustických (např. rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. V lékařství slouží k diagnostice onemocnění či k prohlubování znalostí o fungování informačních systémů (nervových soustav) živých organismů. Například Grossbergova síť vznikla původně jako simulace fyziologického modelu rozpoznávání vzorů na sítnici lidského oka.ozpoznávání vzorů na sítnici lidského oka.
, Eagar ríomhairí atá nasctha le chéile ar bhealach a dhéanann aithris ar ghníomhaíocht na hinchinne. Déanann na ríomhairí ar leith gnóthaí ar leith, agus cuireann a dtorthaí le torthaí na ríomhairí eile le toradh iomlánaithe a thabhairt.
, ニューラルネットワーク（神経網、英: neural network; NN）は「入力を線形変換する処理単位」がネットワーク状に結合した数理モデルである。人工ニューラルネットワーク (英: artificial neural network) とも。
, Нейро́нная сеть (также искусственная нейро … Нейро́нная сеть (также искусственная нейронная сеть, ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.
* С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа;
* С точки зрения математики, обучение нейронных сетей — это нелинейной оптимизации;
* С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники;
* С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма;
* С точки зрения искусственного интеллекта, ИНС является основой философского течения коннекционизма и основным направлением в по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных.«зашумленных», частично искажённых данных.
, 人工神经网络（英語：Artificial Neural Network，ANN），简 … 人工神经网络（英語：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或類神經網絡，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中樞神經系統，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种，通俗地讲就是具备学习功能。现代神经网络是一种非线性工具，神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题（也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力），这种方法比起正式的逻辑学推理演算更具有优势。 和其他机器学习方法一样，神经网络已经被用于解决各种各样的问题，例如机器视觉和语音识别。这些问题都是很难被传统基于规则的编程所解决的。种各样的问题，例如机器视觉和语音识别。这些问题都是很难被传统基于规则的编程所解决的。
, Ett neuronnät (rekommenderad term enligt S … Ett neuronnät (rekommenderad term enligt Svenska datatermgruppen) eller artificiellt neuronnät (ANN) är ett samlingsnamn på ett antal självlärande algoritmer som försöker efterlikna funktionen i (exempelvis hjärnan). Algoritmer som emulerar neuronnät kan ofta klara problem som är svåra att lösa med konventionella datalogiska metoder. Exempel på tillämpningar är: informationsutvinning (data mining), mönsterigenkänning, signalbehandling, reglerteknik, datorspel, prognoser, självorganisering, icke-linjär optimering, optimeringsproblem med många bivillkor (exempelvis schemaläggning) med mera. Ett neuronnät måste tränas innan det kan användas. De flesta neuronnät arbetar därför i två faser, först en inlärningsfas där nätverket tränas på den uppgift som ska utföras. Sedan följer en tillämpningsfas där nätverket bara använder det som det har lärt sig. Det går också att låta nätet fortsätta att lära sig även när det används, men vanligen lämnas det som det är när det uppnått den precision som eftersträvades. uppnått den precision som eftersträvades.
, Sieć neuronowa – system przeznaczony do pr … Sieć neuronowa – system przeznaczony do przetwarzania informacji, którego budowa i zasada działania są w pewnym stopniu wzorowane na funkcjonowaniu fragmentów rzeczywistego (biologicznego) systemu nerwowego. Na przesłankach biologicznych oparte są schematy sztucznych neuronów wchodzących w skład sieci oraz (w pewnym stopniu) jej struktura. Jednak schematy połączeń neuronów w sieci neuronowej są wybierane arbitralnie, a nie stanowią modelu rzeczywistych struktur nerwowych. Wyróżniającą cechą sieci neuronowej jako narzędzia informatycznego jest możliwość komputerowego rozwiązywania przy jej pomocy praktycznych problemów bez ich uprzedniej matematycznej formalizacji. Dalszą zaletą jest brak konieczności odwoływania się przy stosowaniu sieci do jakichkolwiek teoretycznych założeń na temat rozwiązywanego problemu. Najbardziej znamienną cechą sieci neuronowej jest jej zdolność uczenia się na podstawie przykładów i możliwość automatycznego uogólniania zdobytej wiedzy (generalizacja). Czasem nazwą „sztuczne sieci neuronowe” określa się interdyscyplinarną dziedzinę wiedzy zajmującą się konstrukcją, trenowaniem i badaniem możliwości tego rodzaju sieci. i badaniem możliwości tego rodzaju sieci.
, 인공신경망(人工神經網, 영어: artificial neural network … 인공신경망(人工神經網, 영어: artificial neural network, ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다. 인공신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화되어 가는 지도 학습과 교사 신호를 필요로 하지 않는 비지도 학습으로 나뉘어 있다. 명확한 해답이 있는 경우에는 교사 학습이, 데이터 클러스터링에는 비교사 학습이 이용된다. 인공신경망은 많은 입력들에 의존하면서 일반적으로 베일에 싸인 함수를 추측하고 근사치를 낼 경우 사용한다. 일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호연결로 표현되고 적응성이 있어 패턴인식과 같은 기계학습을 수행할 수 있다. 예를 들면, 필기체 인식을 위한 신경망은 입력 뉴런의 집합으로 정의되며 이들은 입력 이미지의 픽셀에 의해 활성화된다. 함수의 변형과 가중치가(이들은 신경망을 만든 사람이 결정한다.) 적용된 후 해당 뉴런의 활성화는 다른 뉴런으로 전달된다. 이러한 처리는 마지막 출력 뉴런이 활성화될 때까지 반복되며 이것은 어떤 문자를 읽었는 지에 따라 결정된다. 다른 기계학습과 같이-데이터로부터 학습하는- 신경망은 일반적으로 규칙기반 프로그래밍으로 풀기 어려운 컴퓨터 비전 또는 음성 인식과 같은 다양한 범위의 문제를 푸는데 이용된다. 컴퓨터 비전 또는 음성 인식과 같은 다양한 범위의 문제를 푸는데 이용된다.
, Neurona-sare artifiziala (ingelesez Artifi … Neurona-sare artifiziala (ingelesez Artificial neural network, ANN) neurona artifizialen multzo elkarlotua da, modelo metamatikoak erabiltzen dituena informazioa prozesatzeko. Nerbio-sistemak ikasten duen moduan oinarritzen da. Adimen artifizialaren arloan erabiltzen da gehien batfizialaren arloan erabiltzen da gehien bat
, Una xarxa neuronal artificial (XNA), també … Una xarxa neuronal artificial (XNA), també anomenada xarxa neuronal simulada o senzillament xarxa neuronal (denominada habitualment en anglès com "ANN") és un paradigma d'aprenentatge i inspirat en la forma en què funciona el sistema nerviós dels animals. Es tracta d'un sistema d'interconnexió de neurones en una xarxa que col·labora per produir un estímul de sortida. Aquest conjunt de neurones artificials interconnectades que utilitza un de processament de dades basat en una aproximació connexionista per a la computació. Dins l'entorn d'intel·ligència artificial és freqüent referir-se a elles com xarxes de neurones o xarxes neuronals. Els investigadors no es posen d'acord a l'hora de definir què és una xarxa neuronal, però la majoria coincideix a dir que es tracta d'una xarxa d'elements de processament relativament simples en què el funcionament global es troba determinat per les connexions entre els elements de processament i els paràmetres d'aquests. La inspiració original de la tècnica es va extraure de l'estudi de les xarxes bioelèctriques del cervell que estan formades per neurones i per les sinapsis d'aquestes (vegeu xarxa neuronal biològica). En un model de xarxa neuronal, els nodes (també anomenats neurones, neurodes, elements de processament o unitats) estan connectats per formar una xarxa de nodes i, per això, s'anomena xarxa neuronal.des i, per això, s'anomena xarxa neuronal.
, Künstliche neuronale Netze, auch künstlich … Künstliche neuronale Netze, auch künstliche neuronale Netzwerke, kurz: KNN (englisch artificial neural network, ANN), sind Netze aus künstlichen Neuronen. Sie sind Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der künstlichen Intelligenz dar. Künstliche neuronale Netze haben, ebenso wie künstliche Neuronen, ein biologisches Vorbild. Man stellt sie natürlichen neuronalen Netzen gegenüber, die eine Vernetzung von Neuronen im Nervensystem eines Lebewesens darstellen. Bei KNNs geht es allerdings mehr um eine Abstraktion (Modellbildung) von Informationsverarbeitung, weniger um das Nachbilden biologischer neuronaler Netze und Neuronen, was eher Gegenstand der Computational Neuroscience ist. Es ist jedoch zu beobachten, dass die Grenzen zwischen diesen Teildisziplinen zunehmend verschwinden, was auf die nach wie vor große Dynamik und Interdisziplinarität dieses Forschungszweigs zurückzuführen ist. KNNs sind universelle Funktionsapproximatoren. Beim Trainieren des Netzes werden dabei die Gewichte anhand einer Fehlerfunktion aktualisiert. anhand einer Fehlerfunktion aktualisiert.
, Las redes neuronales artificiales (también … Las redes neuronales artificiales (también conocidas como sistemas conexionistas) son un modelo computacional evolucionado a partir de diversas aportaciones científicas que están registradas en la historia. Consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí para transmitirse señales. La información de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo unos valores de salida. Cada neurona está conectada con otras a través de unos enlaces. En estos enlaces el valor de salida de la neurona anterior es multiplicado por un valor de peso. Estos pesos en los enlaces pueden incrementar o inhibir el estado de activación de las neuronas adyacentes. Del mismo modo, a la salida de la neurona, puede existir una función limitadora o umbral, que modifica el valor resultado o impone un límite que no se debe sobrepasar antes de propagarse a otra neurona. Esta función se conoce como función de activación. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con la programación convencional. Para realizar este aprendizaje automático, normalmente, se intenta minimizar una función de pérdida que evalúa la red en su total. Los valores de los pesos de las neuronas se van actualizando buscando reducir el valor de la función de pérdida. Este proceso se realiza mediante la propagación hacia atrás. El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque las redes neuronales son más abstractas. Las redes neuronales actuales suelen contener desde unos miles a unos pocos millones de unidades neuronales. Nuevas investigaciones sobre el cerebro a menudo estimulan la creación de nuevos patrones en las redes neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho más allá y capas de procesamiento de enlace en lugar de estar siempre localizado en las neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que los axones se propagan, como el aprendizaje profundo, interpola una mayor complejidad que un conjunto de variables booleanas que son simplemente encendido o apagado. Las redes neuronales se han utilizado para resolver una amplia variedad de tareas, como la visión por computador y el reconocimiento de voz, que son difíciles de resolver usando la ordinaria programación basado en reglas. Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a finales de los años ochenta de alto nivel, que se caracteriza por sistemas expertos con conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático, caracterizado por el conocimiento incorporado en los parámetros de un con algún sistema dinámico.rámetros de un con algún sistema dinámico.
, Artefarita neŭra reto (ANR), kutime nomata … Artefarita neŭra reto (ANR), kutime nomata neŭra reto (NR), estas matematika aŭ inspirita de la strukturaj kaj/aŭ funkciadaj aspektoj de . Neŭra reto konsistas el interkonektita aro da artefaritaj neŭronoj, kiuj traktas informojn per aliro al komputado. En la plimulto de la okazoj ANR estas adaptiĝpova sistemo, kiu ŝanĝas sian strukturon surbaze de ekstera aŭ interna informado fluanta tra la reto dum la lernada fazo. Modernaj neŭraj retoj estas nelinearaj statistikaj datummodeladaj iloj. Ili kutime estas uzataj por modeli kompleksajn rilatojn inter enigoj kaj eligoj aŭ por eltrovi datumajn patronojn. eligoj aŭ por eltrovi datumajn patronojn.
, Νευρωνικό δίκτυο ονομάζεται ένα κύκλωμα δι … Νευρωνικό δίκτυο ονομάζεται ένα κύκλωμα διασυνδεδεμένων νευρώνων. Στην περίπτωση βιολογικών νευρώνων, πρόκειται για ένα τμήμα νευρικού ιστού. Στην περίπτωση τεχνητών νευρώνων, πρόκειται για ένα αφηρημένο αλγοριθμικό κατασκεύασμα το οποίο εμπίπτει στον τομέα της υπολογιστικής νοημοσύνης, όταν στόχος του νευρωνικού δικτύου είναι η επίλυση κάποιου υπολογιστικού προβλήματος, ή της υπολογιστικής νευροεπιστήμης, όταν στόχος είναι η υπολογιστική προσομοίωση της λειτουργίας των βιολογικών νευρωνικών δικτύων με βάση κάποιο μαθηματικό τους. Το παρόν άρθρο αφορά τα τεχνητά νευρωνικά δίκτυα, τους τεχνητούς νευρώνες και τα μοντέλα βιολογικών νευρώνων της υπολογιστικής νευροεπιστήμης. Για τα βιολογικά νευρωνικά δίκτυα δείτε τα άρθρα νευρώνας και Κεντρικό Νευρικό Σύστημα.θρα νευρώνας και Κεντρικό Νευρικό Σύστημα.
, Artificial neural networks (ANNs), usually … Artificial neural networks (ANNs), usually simply called neural networks (NNs) or neural nets, are computing systems inspired by the biological neural networks that constitute animal brains. An ANN is based on a collection of connected units or nodes called artificial neurons, which loosely model the neurons in a biological brain. Each connection, like the synapses in a biological brain, can transmit a signal to other neurons. An artificial neuron receives signals then processes them and can signal neurons connected to it. The "signal" at a connection is a real number, and the output of each neuron is computed by some non-linear function of the sum of its inputs. The connections are called edges. Neurons and edges typically have a weight that adjusts as learning proceeds. The weight increases or decreases the strength of the signal at a connection. Neurons may have a threshold such that a signal is sent only if the aggregate signal crosses that threshold. Typically, neurons are aggregated into layers. Different layers may perform different transformations on their inputs. Signals travel from the first layer (the input layer), to the last layer (the output layer), possibly after traversing the layers multiple times.fter traversing the layers multiple times.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Colored_neural_network.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://www.inference.phy.cam.ac.uk/itprnn/book.pdf%7Ctitle=Information +
, https://web.archive.org/web/20110719183058/http:/actcomm.dartmouth.edu/gvc/papers/approx_by_superposition.pdf +
, http://www.cs.iastate.edu/~honavar/fahlman.pdf +
, http://www.msm.cam.ac.uk/phase-trans/abstracts/neural.review.pdf%7C +
, https://web.archive.org/web/20130503184045/http:/www.cs.iastate.edu/~honavar/fahlman.pdf +
|
| http://dbpedia.org/ontology/wikiPageID
|
21523
|
| http://dbpedia.org/ontology/wikiPageLength
|
97501
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1124848030
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Walter_Pitts +
, http://dbpedia.org/resource/Multilayer_perceptron +
, http://dbpedia.org/resource/Prosthesis +
, http://dbpedia.org/resource/Marvin_Minsky +
, http://dbpedia.org/resource/Gesture_recognition +
, http://dbpedia.org/resource/ADALINE +
, http://dbpedia.org/resource/GPU +
, http://dbpedia.org/resource/Directed_acyclic_graph +
, http://dbpedia.org/resource/Saddle_point +
, http://dbpedia.org/resource/Random-access_memory +
, http://dbpedia.org/resource/Process_control +
, http://dbpedia.org/resource/Recurrent_neural_network +
, http://dbpedia.org/resource/Irrational_number +
, http://dbpedia.org/resource/Alex_Graves_%28computer_scientist%29 +
, http://dbpedia.org/resource/Learning_rate +
, http://dbpedia.org/resource/Regularization_%28mathematics%29 +
, http://dbpedia.org/resource/Metal%E2%80%93oxide%E2%80%93semiconductor +
, http://dbpedia.org/resource/Go_%28game%29 +
, http://dbpedia.org/resource/Data_compression +
, http://dbpedia.org/resource/Hebbian_learning +
, http://dbpedia.org/resource/Complementary_MOS +
, http://dbpedia.org/resource/3D_object_recognition +
, http://dbpedia.org/resource/Category:Computational_neuroscience +
, http://dbpedia.org/resource/Normal_distribution +
, http://dbpedia.org/resource/Novelty_detection +
, http://dbpedia.org/resource/Open_quantum_system +
, http://dbpedia.org/resource/Geoscience +
, http://dbpedia.org/resource/Tensor_product_network +
, http://dbpedia.org/resource/Cerebellar_model_articulation_controller +
, http://dbpedia.org/resource/Biologically_inspired_computing +
, http://dbpedia.org/resource/Evolutionary_methods +
, http://dbpedia.org/resource/Extreme_Learning_Machines +
, http://dbpedia.org/resource/UTM_theorem +
, http://dbpedia.org/resource/Adaptive_learning_rate +
, http://dbpedia.org/resource/File:Neuron3.png +
, http://dbpedia.org/resource/Blind_source_separation +
, http://dbpedia.org/resource/Alexander_Dewdney +
, http://dbpedia.org/resource/Non-parametric_methods +
, http://dbpedia.org/resource/Mean-squared_error +
, http://dbpedia.org/resource/Artificial_philosophy +
, http://dbpedia.org/resource/Alexey_Grigorevich_Ivakhnenko +
, http://dbpedia.org/resource/File:Synapse_deployment.jpg +
, http://dbpedia.org/resource/History_of_autonomous_cars +
, http://dbpedia.org/resource/Machine_translation +
, http://dbpedia.org/resource/Physical_neural_network +
, http://dbpedia.org/resource/Connectionist_expert_system +
, http://dbpedia.org/resource/Expectation-maximization +
, http://dbpedia.org/resource/Evolutionary_computation +
, http://dbpedia.org/resource/Neuroplasticity +
, http://dbpedia.org/resource/Biological_neuron_models +
, http://dbpedia.org/resource/Maxima_and_minima +
, http://dbpedia.org/resource/Spin_glass +
, http://dbpedia.org/resource/Latent_variable +
, http://dbpedia.org/resource/Handwriting_recognition +
, http://dbpedia.org/resource/Robotics +
, http://dbpedia.org/resource/Approximation +
, http://dbpedia.org/resource/Bayesian_probability +
, http://dbpedia.org/resource/Quickprop +
, http://dbpedia.org/resource/Mean_squared_error +
, http://dbpedia.org/resource/Hydrology +
, http://dbpedia.org/resource/Statistical_classification +
, http://dbpedia.org/resource/Blue_Brain_Project +
, http://dbpedia.org/resource/Differentiable_function +
, http://dbpedia.org/resource/List_of_machine_learning_concepts +
, http://dbpedia.org/resource/Optical_neural_network +
, http://dbpedia.org/resource/Mathematical_optimization +
, http://dbpedia.org/resource/Regression_analysis +
, http://dbpedia.org/resource/Geomorphology +
, http://dbpedia.org/resource/Warren_McCulloch +
, http://dbpedia.org/resource/Convolutional_neural_network +
, http://dbpedia.org/resource/Universal_Turing_Machine +
, http://dbpedia.org/resource/Natural_resource_management +
, http://dbpedia.org/resource/Function_approximation +
, http://dbpedia.org/resource/Simulated_annealing +
, http://dbpedia.org/resource/Dynamic_programming +
, http://dbpedia.org/resource/Fitness_approximation +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/Confidence_interval +
, http://dbpedia.org/resource/Neuroevolution +
, http://dbpedia.org/resource/Glossary_of_graph_theory_terms +
, http://dbpedia.org/resource/Arthur_E._Bryson +
, http://dbpedia.org/resource/Seymour_Papert +
, http://dbpedia.org/resource/Andrew_Ng +
, http://dbpedia.org/resource/Henry_J._Kelley +
, http://dbpedia.org/resource/Catastrophic_interference +
, http://dbpedia.org/resource/Gradient +
, http://dbpedia.org/resource/System_identification +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Generative_adversarial_network +
, http://dbpedia.org/resource/General-purpose_computing_on_graphics_processing_units +
, http://dbpedia.org/resource/Feedforward_neural_network +
, http://dbpedia.org/resource/Connectomics +
, http://dbpedia.org/resource/VC_dimension +
, http://dbpedia.org/resource/Convex_function +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Office_of_Naval_Research +
, http://dbpedia.org/resource/David_Rumelhart +
, http://dbpedia.org/resource/Labeled_data +
, http://dbpedia.org/resource/Emergent_properties +
, http://dbpedia.org/resource/Statistical_distributions +
, http://dbpedia.org/resource/Jacobi_method +
, http://dbpedia.org/resource/Automatic_differentiation +
, http://dbpedia.org/resource/Linear_model +
, http://dbpedia.org/resource/Neural_network_software +
, http://dbpedia.org/resource/Neural_network +
, http://dbpedia.org/resource/Game +
, http://dbpedia.org/resource/Cambridge_University_Press +
, http://dbpedia.org/resource/Paul_Werbos +
, http://dbpedia.org/resource/Geoffrey_Hinton +
, http://dbpedia.org/resource/Ronald_J._Williams +
, http://dbpedia.org/resource/Perceptron +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Seppo_Linnainmaa +
, http://dbpedia.org/resource/Measure_theory +
, http://dbpedia.org/resource/Markov_chain +
, http://dbpedia.org/resource/Graphics_processing_unit +
, http://dbpedia.org/resource/Weighted_graph +
, http://dbpedia.org/resource/Parameter +
, http://dbpedia.org/resource/Von_Neumann_architecture +
, http://dbpedia.org/resource/Partial_differential_equation +
, http://dbpedia.org/resource/Pattern_recognition +
, http://dbpedia.org/resource/Directed_graph +
, http://dbpedia.org/resource/Vehicle_routing +
, http://dbpedia.org/resource/Facial_recognition_system +
, http://dbpedia.org/resource/Hypercomputation +
, http://dbpedia.org/resource/Optimization_%28mathematics%29 +
, http://dbpedia.org/resource/Group_method_of_data_handling +
, http://dbpedia.org/resource/Synapse +
, http://dbpedia.org/resource/Recurrent_neural_networks +
, http://dbpedia.org/resource/Particle_swarm_optimization +
, http://dbpedia.org/resource/Defense_Advanced_Research_Projects_Agency +
, http://dbpedia.org/resource/Hybrid_neural_network +
, http://dbpedia.org/resource/Field-programmable_gate_array +
, http://dbpedia.org/resource/Data_clustering +
, http://dbpedia.org/resource/Graph_%28discrete_mathematics%29 +
, http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Holographic_associative_memory +
, http://dbpedia.org/resource/Central_processing_unit +
, http://dbpedia.org/resource/File:Colored_neural_network.svg +
, http://dbpedia.org/resource/Computer_security +
, http://dbpedia.org/resource/Quantum_chemistry +
, http://dbpedia.org/resource/Artificial_neurons +
, http://dbpedia.org/resource/Large_width_limits_of_neural_networks +
, http://dbpedia.org/resource/Vanishing_gradient_problem +
, http://dbpedia.org/resource/E-mail_spam +
, http://dbpedia.org/resource/Automated_machine_learning +
, http://dbpedia.org/resource/Rational_number +
, http://dbpedia.org/resource/Medical_diagnosis +
, http://dbpedia.org/resource/Distributed_computing +
, http://dbpedia.org/resource/Neural_gas +
, http://dbpedia.org/resource/Instant +
, http://dbpedia.org/resource/Parallel_distributed_processing +
, http://dbpedia.org/resource/Data_processing +
, http://dbpedia.org/resource/Hyperparameter +
, http://dbpedia.org/resource/J%C3%BCrgen_Schmidhuber +
, http://dbpedia.org/resource/Category:Mathematical_psychology +
, http://dbpedia.org/resource/Logistic_function +
, http://dbpedia.org/resource/Real_number +
, http://dbpedia.org/resource/A_priori_and_a_posteriori +
, http://dbpedia.org/resource/Very-large-scale_integration +
, http://dbpedia.org/resource/Oscillation +
, http://dbpedia.org/resource/Posterior_probability +
, http://dbpedia.org/resource/Gene_expression_programming +
, http://dbpedia.org/resource/Spiking_neural_network +
, http://dbpedia.org/resource/Jeff_Dean_%28computer_scientist%29 +
, http://dbpedia.org/resource/Donald_O._Hebb +
, http://dbpedia.org/resource/Neuromorphic_engineering +
, http://dbpedia.org/resource/Image_recognition +
, http://dbpedia.org/resource/Tensor_Processing_Unit +
, http://dbpedia.org/resource/Wesley_A._Clark +
, http://dbpedia.org/resource/Neuron +
, http://dbpedia.org/resource/Vertex_%28graph_theory%29 +
, http://dbpedia.org/resource/Digital_electronics +
, http://dbpedia.org/resource/Hyperparameters +
, http://dbpedia.org/resource/Ad_hoc +
, http://dbpedia.org/resource/Universal_approximation_theorem +
, http://dbpedia.org/resource/Transistor_count +
, http://dbpedia.org/resource/Control_theory +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
, http://dbpedia.org/resource/Bayesian_spam_filtering +
, http://dbpedia.org/resource/National_Science_Foundation +
, http://dbpedia.org/resource/Cognitive_architecture +
, http://dbpedia.org/resource/Category:Mathematical_and_quantitative_methods_%28economics%29 +
, http://dbpedia.org/resource/Topology +
, http://dbpedia.org/resource/Softmax_activation_function +
, http://dbpedia.org/resource/Stochastic_gradient_descent +
, http://dbpedia.org/resource/Activation_function +
, http://dbpedia.org/resource/Long_short-term_memory +
, http://dbpedia.org/resource/Discretization +
, http://dbpedia.org/resource/Hypothesis +
, http://dbpedia.org/resource/Probability_distribution +
, http://dbpedia.org/resource/Algorithmic_trading +
, http://dbpedia.org/resource/Statistical_estimation +
, http://dbpedia.org/resource/3D_reconstruction +
, http://dbpedia.org/resource/Mutual_information +
, http://dbpedia.org/resource/Time_series +
, http://dbpedia.org/resource/Biological_neural_network +
, http://dbpedia.org/resource/Category:Market_research +
, http://dbpedia.org/resource/Weighting +
, http://dbpedia.org/resource/Stochastic_process +
, http://dbpedia.org/resource/Restricted_Boltzmann_machine +
, http://dbpedia.org/resource/Artificial_neuron +
, http://dbpedia.org/resource/Autoencoder +
, http://dbpedia.org/resource/Brain +
, http://dbpedia.org/resource/Frank_Rosenblatt +
, http://dbpedia.org/resource/Statistic +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/General_game_playing +
, http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/Data_mining +
, http://dbpedia.org/resource/Coastal_engineering +
, http://dbpedia.org/resource/Markov_decision_process +
, http://dbpedia.org/resource/Medicine +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Neural_oscillation +
, http://dbpedia.org/resource/Deep_learning +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Cols +
, http://dbpedia.org/resource/Template:Differentiable_computing +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Cite_book +
, http://dbpedia.org/resource/Template:Self-driving_cars_and_enabling_technologies +
, http://dbpedia.org/resource/Template:Authority_control +
, http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Confusing +
, http://dbpedia.org/resource/Template:Network_science +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Efn +
, http://dbpedia.org/resource/Template:Toclimit +
, http://dbpedia.org/resource/Template:R +
, http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Colbegin +
, http://dbpedia.org/resource/Template:Use_dmy_dates +
, http://dbpedia.org/resource/Template:Google_books +
, http://dbpedia.org/resource/Template:No_footnotes +
, http://dbpedia.org/resource/Template:Colend +
, http://dbpedia.org/resource/Template:Complex_systems_topics +
, http://dbpedia.org/resource/Template:Complex_systems +
, http://dbpedia.org/resource/Template:Cite_journal +
, http://dbpedia.org/resource/Template:Neuroscience +
, http://dbpedia.org/resource/Template:Unreferenced_section +
, http://dbpedia.org/resource/Template:Blockquote +
, http://dbpedia.org/resource/Template:Cite_web +
, http://dbpedia.org/resource/Template:Snd +
, http://dbpedia.org/resource/Template:Notelist +
, http://dbpedia.org/resource/Template:Artificial_intelligence +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:See_also +
, http://dbpedia.org/resource/Template:More +
, http://dbpedia.org/resource/Template:Control_theory +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Mathematical_psychology +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Mathematical_and_quantitative_methods_%28economics%29 +
, http://dbpedia.org/resource/Category:Computational_neuroscience +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Category:Market_research +
, http://dbpedia.org/resource/Category:Computational_statistics +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Family +
|
| http://www.w3.org/2004/02/skos/core#closeMatch
|
http://www.springernature.com/scigraph/things/subjects/network-models +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Artificial_neural_network?oldid=1124848030&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Two_layer_ann.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Synapse_deployment.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Artificial_neural_network.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Ann_dependency_%28graph%29.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Cmac.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Neuron3.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Colored_neural_network.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Single_layer_ann.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Single-layer_feedforward_artificial_neural_network.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Two-layer_feedforward_artificial_neural_network.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Artificial_neural_network +
|
| owl:sameAs |
http://el.dbpedia.org/resource/%CE%9D%CE%B5%CF%85%CF%81%CF%89%CE%BD%CE%B9%CE%BA%CF%8C_%CE%B4%CE%AF%CE%BA%CF%84%CF%85%CE%BF +
, http://lv.dbpedia.org/resource/M%C4%81ksl%C4%ABgais_neironu_t%C4%ABkls +
, http://commons.dbpedia.org/resource/Artificial_neural_network +
, http://uk.dbpedia.org/resource/%D0%A8%D1%82%D1%83%D1%87%D0%BD%D0%B0_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0_%D0%BC%D0%B5%D1%80%D0%B5%D0%B6%D0%B0 +
, http://ko.dbpedia.org/resource/%EC%9D%B8%EA%B3%B5_%EC%8B%A0%EA%B2%BD%EB%A7%9D +
, http://yago-knowledge.org/resource/Artificial_neural_network +
, http://fr.dbpedia.org/resource/R%C3%A9seau_de_neurones_artificiels +
, http://eo.dbpedia.org/resource/Artefarita_ne%C5%ADra_reto +
, http://ur.dbpedia.org/resource/%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%DB%8C_%D8%B9%D8%B5%D8%A8%DB%8C_%D8%AC%D8%A7%D9%84%DA%A9%D8%A7%D8%B1 +
, http://hu.dbpedia.org/resource/Mesters%C3%A9ges_neur%C3%A1lis_h%C3%A1l%C3%B3zat +
, http://cs.dbpedia.org/resource/Um%C4%9Bl%C3%A1_neuronov%C3%A1_s%C3%AD%C5%A5 +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://pl.dbpedia.org/resource/Sie%C4%87_neuronowa +
, http://mg.dbpedia.org/resource/Tambajotra_ner%C3%B4nina +
, http://bg.dbpedia.org/resource/%D0%98%D0%B7%D0%BA%D1%83%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%B0_%D0%BD%D0%B5%D0%B2%D1%80%D0%BE%D0%BD%D0%BD%D0%B0_%D0%BC%D1%80%D0%B5%D0%B6%D0%B0 +
, http://vi.dbpedia.org/resource/M%E1%BA%A1ng_th%E1%BA%A7n_kinh_nh%C3%A2n_t%E1%BA%A1o +
, http://mk.dbpedia.org/resource/%D0%92%D0%B5%D1%88%D1%82%D0%B0%D1%87%D0%BA%D0%B0_%D0%BD%D0%B5%D0%B2%D1%80%D0%BE%D0%BD%D1%81%D0%BA%D0%B0_%D0%BC%D1%80%D0%B5%D0%B6%D0%B0 +
, http://is.dbpedia.org/resource/Gervitauganet +
, http://he.dbpedia.org/resource/%D7%A8%D7%A9%D7%AA_%D7%A2%D7%A6%D7%91%D7%99%D7%AA_%D7%9E%D7%9C%D7%90%D7%9B%D7%95%D7%AA%D7%99%D7%AA +
, http://ro.dbpedia.org/resource/Re%C8%9Bea_neural%C4%83 +
, http://ta.dbpedia.org/resource/%E0%AE%9A%E0%AF%86%E0%AE%AF%E0%AE%B1%E0%AF%8D%E0%AE%95%E0%AF%88_%E0%AE%A8%E0%AE%B0%E0%AE%AE%E0%AF%8D%E0%AE%AA%E0%AE%A3%E0%AF%81%E0%AE%AA%E0%AF%8D_%E0%AE%AA%E0%AE%BF%E0%AE%A3%E0%AF%88%E0%AE%AF%E0%AE%AE%E0%AF%8D +
, http://no.dbpedia.org/resource/Kunstig_nevralt_nettverk +
, http://ru.dbpedia.org/resource/%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C +
, http://sr.dbpedia.org/resource/Ve%C5%A1ta%C4%8Dka_neuronska_mre%C5%BEa +
, http://ka.dbpedia.org/resource/%E1%83%AE%E1%83%94%E1%83%9A%E1%83%9D%E1%83%95%E1%83%9C%E1%83%A3%E1%83%A0%E1%83%98_%E1%83%9C%E1%83%94%E1%83%98%E1%83%A0%E1%83%9D%E1%83%9C%E1%83%A3%E1%83%9A%E1%83%98_%E1%83%A5%E1%83%A1%E1%83%94%E1%83%9A%E1%83%98 +
, http://hi.dbpedia.org/resource/%E0%A4%95%E0%A5%83%E0%A4%A4%E0%A5%8D%E0%A4%B0%E0%A4%BF%E0%A4%AE_%E0%A4%A4%E0%A4%82%E0%A4%A4%E0%A5%8D%E0%A4%B0%E0%A4%BF%E0%A4%95%E0%A4%BE_%E0%A4%A8%E0%A5%87%E0%A4%9F%E0%A4%B5%E0%A4%B0%E0%A5%8D%E0%A4%95 +
, http://ml.dbpedia.org/resource/%E0%B4%95%E0%B5%83%E0%B4%A4%E0%B5%8D%E0%B4%B0%E0%B4%BF%E0%B4%AE_%E0%B4%A8%E0%B4%BE%E0%B4%A1%E0%B5%80%E0%B4%B5%E0%B5%8D%E0%B4%AF%E0%B5%82%E0%B4%B9%E0%B4%82 +
, http://hy.dbpedia.org/resource/%D4%B1%D6%80%D5%B0%D5%A5%D5%BD%D5%BF%D5%A1%D5%AF%D5%A1%D5%B6_%D5%B6%D5%A5%D5%B5%D6%80%D5%B8%D5%B6%D5%A1%D5%B5%D5%AB%D5%B6_%D6%81%D5%A1%D5%B6%D6%81 +
, http://az.dbpedia.org/resource/S%C3%BCni_neyron_%C5%9F%C9%99b%C9%99k%C9%99l%C9%99r +
, http://bn.dbpedia.org/resource/%E0%A6%95%E0%A7%83%E0%A6%A4%E0%A7%8D%E0%A6%B0%E0%A6%BF%E0%A6%AE_%E0%A6%A8%E0%A6%BF%E0%A6%89%E0%A6%B0%E0%A6%BE%E0%A6%B2_%E0%A6%A8%E0%A7%87%E0%A6%9F%E0%A6%93%E0%A6%AF%E0%A6%BC%E0%A6%BE%E0%A6%B0%E0%A7%8D%E0%A6%95 +
, http://tr.dbpedia.org/resource/Yapay_sinir_a%C4%9Flar%C4%B1 +
, http://www.wikidata.org/entity/Q192776 +
, http://ca.dbpedia.org/resource/Xarxa_neuronal_artificial +
, http://uz.dbpedia.org/resource/Sun%CA%BCiy_neyron_tarmoqlari +
, http://et.dbpedia.org/resource/Tehisn%C3%A4rviv%C3%B5rk +
, http://simple.dbpedia.org/resource/Artificial_neural_network +
, http://da.dbpedia.org/resource/Kunstigt_neuralt_netv%C3%A6rk +
, http://la.dbpedia.org/resource/Rete_neuronum_artificiale +
, http://zh.dbpedia.org/resource/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C +
, http://ia.dbpedia.org/resource/Rete_neural_artificial +
, http://rdf.freebase.com/ns/m.05dhw +
, http://ja.dbpedia.org/resource/%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%A9%E3%83%AB%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF +
, http://hr.dbpedia.org/resource/Umjetna_neuronska_mre%C5%BEa +
, http://pt.dbpedia.org/resource/Rede_neural_artificial +
, http://fa.dbpedia.org/resource/%D8%B4%D8%A8%DA%A9%D9%87_%D8%B9%D8%B5%D8%A8%DB%8C_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C +
, http://ga.dbpedia.org/resource/L%C3%ADonra_n%C3%A9arach_saorga +
, http://it.dbpedia.org/resource/Rete_neurale_artificiale +
, http://lt.dbpedia.org/resource/Dirbtinis_neuroninis_tinklas +
, http://bs.dbpedia.org/resource/Vje%C5%A1ta%C4%8Dka_neuronska_mre%C5%BEa +
, http://nn.dbpedia.org/resource/Kunstig_nevralt_nettverk +
, http://de.dbpedia.org/resource/K%C3%BCnstliches_neuronales_Netz +
, http://th.dbpedia.org/resource/%E0%B9%82%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%82%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AA%E0%B8%B2%E0%B8%97%E0%B9%80%E0%B8%97%E0%B8%B5%E0%B8%A2%E0%B8%A1 +
, http://fi.dbpedia.org/resource/Neuroverkot +
, http://rdf.freebase.com/ns/m.047fj83 +
, http://or.dbpedia.org/resource/%E0%AC%86%E0%AC%B0%E0%AD%8D%E0%AC%9F%E0%AC%BF%E0%AC%AB%E0%AC%BF%E0%AC%B8%E0%AC%BF%E0%AC%86%E0%AC%B2_%E0%AC%A8%E0%AD%8D%E0%AD%9F%E0%AD%81%E0%AC%B0%E0%AC%BE%E0%AC%B2_%E0%AC%A8%E0%AD%87%E0%AC%9F%E0%AD%B1%E0%AC%B0%E0%AD%8D%E0%AC%95 +
, https://global.dbpedia.org/id/rnAM +
, http://ms.dbpedia.org/resource/Rangkaian_neural_buatan +
, http://id.dbpedia.org/resource/Jaringan_saraf_tiruan +
, http://sv.dbpedia.org/resource/Artificiellt_neuronn%C3%A4t +
, http://gl.dbpedia.org/resource/Redes_neuronais_artificiais +
, http://eu.dbpedia.org/resource/Neurona-sare_artifizial +
, http://nl.dbpedia.org/resource/Kunstmatig_neural_netwerk +
, http://d-nb.info/gnd/4226127-2 +
, http://ar.dbpedia.org/resource/%D8%B4%D8%A8%D9%83%D8%A9_%D8%B9%D8%B5%D8%A8%D9%88%D9%86%D9%8A%D8%A9_%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A%D8%A9 +
, http://qu.dbpedia.org/resource/Artifisyal_ankucha_llika +
, http://es.dbpedia.org/resource/Red_neuronal_artificial +
, http://sk.dbpedia.org/resource/Umel%C3%A1_neur%C3%B3nov%C3%A1_sie%C5%A5 +
|
| rdf:type |
http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/WikicatNeuralNetworks +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/WikicatClassificationAlgorithms +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
|
| rdfs:comment |
Шту́чні нейро́нні мере́жі (ШНМ, англ. arti … Шту́чні нейро́нні мере́жі (ШНМ, англ. artificial neural networks, ANN), або конективістські системи (англ. connectionist systems) — це обчислювальні системи, натхнені біологічними нейронними мережами, що складають мозок тварин. Такі системи навчаються задач (поступально покращують свою продуктивність на них), розглядаючи приклади, загалом без спеціального програмування під задачу. Наприклад, у розпізнаванні зображень вони можуть навчатися ідентифікувати зображення, які містять котів, аналізуючи приклади зображень, як «кіт» і «не кіт», і використовуючи результати для ідентифікування котів в інших зображеннях. Вони роблять це без жодного апріорного знання про котів, наприклад, що вони мають хутро, хвости, вуса та котоподібні писки. Натомість, вони розвивають свій власний набір доречних хараозвивають свій власний набір доречних хара
, Sieć neuronowa – system przeznaczony do pr … Sieć neuronowa – system przeznaczony do przetwarzania informacji, którego budowa i zasada działania są w pewnym stopniu wzorowane na funkcjonowaniu fragmentów rzeczywistego (biologicznego) systemu nerwowego. Na przesłankach biologicznych oparte są schematy sztucznych neuronów wchodzących w skład sieci oraz (w pewnym stopniu) jej struktura. Jednak schematy połączeń neuronów w sieci neuronowej są wybierane arbitralnie, a nie stanowią modelu rzeczywistych struktur nerwowych.ą modelu rzeczywistych struktur nerwowych.
, 人工神经网络（英語：Artificial Neural Network，ANN），简 … 人工神经网络（英語：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或類神經網絡，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中樞神經系統，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种，通俗地讲就是具备学习功能。现代神经网络是一种非线性工具，神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题（也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力），这种方法比起正式的逻辑学推理演算更具有优势。 和其他机器学习方法一样，神经网络已经被用于解决各种各样的问题，例如机器视觉和语音识别。这些问题都是很难被传统基于规则的编程所解决的。种各样的问题，例如机器视觉和语音识别。这些问题都是很难被传统基于规则的编程所解决的。
, Νευρωνικό δίκτυο ονομάζεται ένα κύκλωμα δι … Νευρωνικό δίκτυο ονομάζεται ένα κύκλωμα διασυνδεδεμένων νευρώνων. Στην περίπτωση βιολογικών νευρώνων, πρόκειται για ένα τμήμα νευρικού ιστού. Στην περίπτωση τεχνητών νευρώνων, πρόκειται για ένα αφηρημένο αλγοριθμικό κατασκεύασμα το οποίο εμπίπτει στον τομέα της υπολογιστικής νοημοσύνης, όταν στόχος του νευρωνικού δικτύου είναι η επίλυση κάποιου υπολογιστικού προβλήματος, ή της υπολογιστικής νευροεπιστήμης, όταν στόχος είναι η υπολογιστική προσομοίωση της λειτουργίας των βιολογικών νευρωνικών δικτύων με βάση κάποιο μαθηματικό τους.ών δικτύων με βάση κάποιο μαθηματικό τους.
, 인공신경망(人工神經網, 영어: artificial neural network … 인공신경망(人工神經網, 영어: artificial neural network, ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다. 인공신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화되어 가는 지도 학습과 교사 신호를 필요로 하지 않는 비지도 학습으로 나뉘어 있다. 명확한 해답이 있는 경우에는 교사 학습이, 데이터 클러스터링에는 비교사 학습이 이용된다. 인공신경망은 많은 입력들에 의존하면서 일반적으로 베일에 싸인 함수를 추측하고 근사치를 낼 경우 사용한다. 일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호연결로 표현되고 적응성이 있어 패턴인식과 같은 기계학습을 수행할 수 있다.호연결로 표현되고 적응성이 있어 패턴인식과 같은 기계학습을 수행할 수 있다.
, Neurona-sare artifiziala (ingelesez Artifi … Neurona-sare artifiziala (ingelesez Artificial neural network, ANN) neurona artifizialen multzo elkarlotua da, modelo metamatikoak erabiltzen dituena informazioa prozesatzeko. Nerbio-sistemak ikasten duen moduan oinarritzen da. Adimen artifizialaren arloan erabiltzen da gehien batfizialaren arloan erabiltzen da gehien bat
, Artificial neural networks (ANNs), usually … Artificial neural networks (ANNs), usually simply called neural networks (NNs) or neural nets, are computing systems inspired by the biological neural networks that constitute animal brains. An ANN is based on a collection of connected units or nodes called artificial neurons, which loosely model the neurons in a biological brain. Each connection, like the synapses in a biological brain, can transmit a signal to other neurons. An artificial neuron receives signals then processes them and can signal neurons connected to it. The "signal" at a connection is a real number, and the output of each neuron is computed by some non-linear function of the sum of its inputs. The connections are called edges. Neurons and edges typically have a weight that adjusts as learning proceeds. The weight increats as learning proceeds. The weight increa
, Eagar ríomhairí atá nasctha le chéile ar bhealach a dhéanann aithris ar ghníomhaíocht na hinchinne. Déanann na ríomhairí ar leith gnóthaí ar leith, agus cuireann a dtorthaí le torthaí na ríomhairí eile le toradh iomlánaithe a thabhairt.
, Nel campo dell'apprendimento automatico, u … Nel campo dell'apprendimento automatico, una rete neurale artificiale (in inglese artificial neural network, abbreviato in ANN o anche come NN) è un modello computazionale composto di "neuroni" artificiali, ispirato vagamente dalla semplificazione di una rete neurale biologica. Una rete neurale artificiale può essere realizzata sia da programmi software che da hardware dedicato (DSP, Digital Signal Processing). Questa branca può essere utilizzata in congiunzione alla logica fuzzy.lizzata in congiunzione alla logica fuzzy.
, Un réseau de neurones artificiels, ou rése … Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. En modélisation des circuits biologiques, ils permettent de tester quelques hypothèses fonctionnelles issues de la neurophysiologie, ou encore les conséquences de ces hypothèses pour les comparer au réel. ces hypothèses pour les comparer au réel.
, Jaringan saraf tiruan (JST) (bahasa Inggri … Jaringan saraf tiruan (JST) (bahasa Inggris: artificial neural network; ANN, atau simulated neural network (SNN), atau neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.ga sering disebut dengan jaringan adaptif.
, Las redes neuronales artificiales (también … Las redes neuronales artificiales (también conocidas como sistemas conexionistas) son un modelo computacional evolucionado a partir de diversas aportaciones científicas que están registradas en la historia. Consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí para transmitirse señales. La información de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo unos valores de salida.iones) produciendo unos valores de salida.
, ニューラルネットワーク（神経網、英: neural network; NN）は「入力を線形変換する処理単位」がネットワーク状に結合した数理モデルである。人工ニューラルネットワーク (英: artificial neural network) とも。
, Ett neuronnät (rekommenderad term enligt S … Ett neuronnät (rekommenderad term enligt Svenska datatermgruppen) eller artificiellt neuronnät (ANN) är ett samlingsnamn på ett antal självlärande algoritmer som försöker efterlikna funktionen i (exempelvis hjärnan). Algoritmer som emulerar neuronnät kan ofta klara problem som är svåra att lösa med konventionella datalogiska metoder. Exempel på tillämpningar är: informationsutvinning (data mining), mönsterigenkänning, signalbehandling, reglerteknik, datorspel, prognoser, självorganisering, icke-linjär optimering, optimeringsproblem med många bivillkor (exempelvis schemaläggning) med mera.lkor (exempelvis schemaläggning) med mera.
, Artefarita neŭra reto (ANR), kutime nomata … Artefarita neŭra reto (ANR), kutime nomata neŭra reto (NR), estas matematika aŭ inspirita de la strukturaj kaj/aŭ funkciadaj aspektoj de . Neŭra reto konsistas el interkonektita aro da artefaritaj neŭronoj, kiuj traktas informojn per aliro al komputado. En la plimulto de la okazoj ANR estas adaptiĝpova sistemo, kiu ŝanĝas sian strukturon surbaze de ekstera aŭ interna informado fluanta tra la reto dum la lernada fazo.o fluanta tra la reto dum la lernada fazo.
, Umělá neuronová síť je jeden z výpočetních … Umělá neuronová síť je jeden z výpočetních modelů používaných v umělé inteligenci.Jejím vzorem je chování odpovídajících biologických struktur. Umělá neuronová síť je struktura určená pro distribuované paralelní zpracování dat. Skládá se z umělých (formálních) neuronů, jejichž předobrazem je biologický neuron. Neurony jsou vzájemně propojeny synaptickými vazbami a navzájem si předávají signály a transformují je pomocí přenosových funkcí. Neuron má libovolný počet vstupů, ale pouze jeden výstup.olný počet vstupů, ale pouze jeden výstup.
, Una xarxa neuronal artificial (XNA), també … Una xarxa neuronal artificial (XNA), també anomenada xarxa neuronal simulada o senzillament xarxa neuronal (denominada habitualment en anglès com "ANN") és un paradigma d'aprenentatge i inspirat en la forma en què funciona el sistema nerviós dels animals. Es tracta d'un sistema d'interconnexió de neurones en una xarxa que col·labora per produir un estímul de sortida. Aquest conjunt de neurones artificials interconnectades que utilitza un de processament de dades basat en una aproximació connexionista per a la computació. Dins l'entorn d'intel·ligència artificial és freqüent referir-se a elles com xarxes de neurones o xarxes neuronals.com xarxes de neurones o xarxes neuronals.
, الشبكات العصبونية الاصطناعية (بالإنجليزية: … الشبكات العصبونية الاصطناعية (بالإنجليزية: Artificial Neural Network ANN) أو ما يدعى أيضا بالشبكات العصبونية المحاكية simulated neural network أو SNN : مجموعة مترابطة من عصبونات افتراضية تنشئها برامجٌ حاسوبيَّةُ لتشابه عمل العصبون البيولوجي أو بنى إلكترونية (شيبات إلكترونية مصممة لمحاكاة عمل العصبونات) تستخدم النموذج الرياضي لمعالجة المعلومات بناء على الطريقة الاتصالية في الحوسبة. تتألف الشبكات العصبونية بشكل عام عناصر معالجة بسيطة تقوم بعمل بسيط لكن السلوك الكلي للشبكة يتحدد من خلال الاتصالات بين مختلف هذه العناصر التي تدعى هنا بالعصبونات ومؤشرات هذه العناصر element parameters. الإيحاء الأول بفكرة الشبكات العصبونية أتى من آلية عمل العصبونات الدماغية التي يمكن تشبيهها بشبكات بيولوجية كهربائية لمعالجة المعلومات الواردة إلى الدماغ. في هذه الشبكات اقترح دونالد هب أن المشبك العصبي يلعب دورا أترح دونالد هب أن المشبك العصبي يلعب دورا أ
, Em ciência da computação e campos relacion … Em ciência da computação e campos relacionados, redes neurais artificiais (português brasileiro) ou redes neuronais artificiais (português europeu) (RNAs) são modelos computacionais inspirados pelo sistema nervoso central de um animal (em particular o cérebro) que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões. Redes neurais artificiais geralmente são apresentadas como sistemas de "neurônios interconectados, que podem computar valores de entradas", simulando o comportamento de redes neurais biológicas.comportamento de redes neurais biológicas.
, Нейро́нная сеть (также искусственная нейро … Нейро́нная сеть (также искусственная нейронная сеть, ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.авания образов, в задачах управления и др.
, Künstliche neuronale Netze, auch künstlich … Künstliche neuronale Netze, auch künstliche neuronale Netzwerke, kurz: KNN (englisch artificial neural network, ANN), sind Netze aus künstlichen Neuronen. Sie sind Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der künstlichen Intelligenz dar. KNNs sind universelle Funktionsapproximatoren. Beim Trainieren des Netzes werden dabei die Gewichte anhand einer Fehlerfunktion aktualisiert. anhand einer Fehlerfunktion aktualisiert.
|
| rdfs:label |
Jaringan saraf tiruan
, شبكة عصبونية اصطناعية
, Kunstmatig neural netwerk
, Umělá neuronová síť
, Rete neurale artificiale
, ニューラルネットワーク
, Red neuronal artificial
, 人工神经网络
, Neurona-sare artifizial
, Réseau de neurones artificiels
, Artificiellt neuronnät
, Artificial neural network
, Xarxa neuronal artificial
, Rede neural artificial
, Künstliches neuronales Netz
, 인공 신경망
, Líonra néarach saorga
, Νευρωνικό δίκτυο
, Sieć neuronowa
, Штучна нейронна мережа
, Нейронная сеть
, Artefarita neŭra reto
|
| rdfs:seeAlso |
http://dbpedia.org/resource/Stochastic_control +
, http://dbpedia.org/resource/Mathematical_optimization +
|
