Neuraali verkko, tietokoneohjelma, joka toimii aivojen luonnollisen hermoverkon inspiroimalla tavalla. Sellaisten keinotekoisten hermoverkkojen tavoitteena on suorittaa sellaisia kognitiivisia toimintoja kuin ongelmanratkaisu ja koneoppiminen. Neuraaliverkkojen teoreettisen perustan kehittivät vuonna 1943 neurofysiologi Warren McCulloch Illinoisin yliopistosta ja matemaatikko Walter Pitts Chicagon yliopistosta. Vuonna 1954 Belmont Farley ja Wesley Clark Massachusetts Institute of Technology -yrityksestä onnistuivat johtamaan ensimmäisen yksinkertaisen hermoverkon. Neuraaliverkkojen ensisijainen vetovoima on niiden kyky jäljitellä aivojen kuvioiden tunnistamistaitoja. Tämän kyvyn kaupallisissa sovelluksissa hermoverkkoja on käytetty sijoituspäätösten tekemiseen, käsialan tunnistamiseen ja jopa pommien havaitsemiseen.
automaattiteoria: Neuroverkot ja automaatit
Osa puhtaan matemaattisen tutkimuksen alueella olevaa automaattiteoriaa perustuu usein malliin hermosto-osan osasta
Neuraaliverkkojen erottuva piirre on, että sen verkkotunnuksen tieto on jaettu koko verkossa sen sijaan, että sitä kirjoitettaisiin nimenomaisesti ohjelmaan. Tämä tieto mallinnetaan prosessointielementtien (keinotekoiset neuronit) ja näiden yhteyksien adaptiivisten painojen välisiksi yhteyksiksi. Verkko oppii sitten altistamalla erilaisia tilanteita. Neuraaliverkot pystyvät toteuttamaan tämän säätämällä kerrosryhmiteltyjen kommunikoivien neuronien välisten yhteyksien painoa, kuten yksinkertaisen eteenpäin suuntautuvan verkon kuviossa esitetään. Keinotekoisten neuronien tulokerros vastaanottaa tietoa ympäristöstä, ja lähtökerros viestii vastauksen; näiden kerrosten välillä voi olla yksi tai useampia ”piilotettuja” kerroksia (joilla ei ole suoraa yhteyttä ympäristöön), joissa suurin osa tietojen käsittelystä tapahtuu. Neuraaliverkon lähtö riippuu eri kerrosten neuronien välisten yhteyksien painosta. Jokainen paino osoittaa tietyn yhteyden suhteellisen tärkeyden. Jos tietyn neuronin vastaanottamien kaikkien painotettujen sisääntulojen kokonaismäärä ylittää tietyn kynnysarvon, neuroni lähettää signaalin jokaiselle hermostoon, johon se on kytketty seuraavassa kerroksessa. Esimerkiksi lainahakemusten käsittelyssä panokset voivat edustaa lainan hakijan profiilitietoja ja tuotoksia lainan myöntämisestä.
Tämän yksinkertaisen eteenpäin suuntautuneen hermoverkon kaksi muunnosta vastaavat sovellusten, kuten kasvojentunnistuksen, kasvua. Ensinnäkin, verkko voidaan varustaa takaisinkytkentämekanismilla, joka tunnetaan takaisin etenemisalgoritmina, joka mahdollistaa sen, että se voi säätää yhteyden painoja takaisin verkon kautta, kouluttamalla sitä vastauksena edustaviin esimerkkeihin. Toiseksi voidaan kehittää toistuvia hermoverkkoja, joihin sisältyy signaaleja, jotka etenevät molemmissa suunnissa sekä kerrosten sisällä ja välillä, ja nämä verkot kykenevät huomattavasti monimutkaisempiin yhdistämismalleihin. (Itse asiassa suurten verkkojen kohdalla voi olla äärimmäisen vaikeata seurata tarkalleen kuinka lähtö määritettiin.)
Neuraaliverkkojen harjoittelu käsittää tyypillisesti ohjatun oppimisen, jossa jokainen harjoitteluesimerkki sisältää sekä tulotietojen että halutun ulostulon arvot. Heti kun verkko pystyy toimimaan riittävän hyvin lisätestaustapauksissa, sitä voidaan soveltaa uusiin tapauksiin. Esimerkiksi British Columbian yliopiston tutkijat ovat kouluttaneet eteenpäin suuntautuvan neuroverkon, joka sisältää lämpötilan ja paineen tietoja trooppiselta Tyyneltämereltä ja Pohjois-Amerikasta ennustamaan tulevia maailmanlaajuisia sääkuvioita.
Sitä vastoin tietyt hermoverkot koulutetaan valvomattoman oppimisen avulla, jolloin verkolle esitetään kokoelma syöttötietoa ja sille annetaan tavoite löytää malleja - ilman, että heille kerrotaan, mitä nimenomaan etsiä. Sellaista hermoverkkoa voidaan käyttää tiedon louhintaan esimerkiksi asiakasklustereiden löytämiseen markkinointitietovarastoista.
Neuraaliverkot ovat eturintamassa kognitiivisessa laskennassa, jonka tarkoituksena on saada tietotekniikka suorittamaan joitain kehittyneempiä ihmisen henkisiä toimintoja. Syvän oppimisen järjestelmät perustuvat monikerroksisiin hermoverkkoihin ja voimaan, esimerkiksi Applen matkapuhelimen Siri puheentunnistuskykyyn. Yhdistettynä potentiaalisesti kasvavalla laskentateholla ja isojen tietojen massiivisilla aggregaateilla, syväoppivallisilla hermoverkoilla on vaikutusta työn jakamiseen ihmisten välillä ja koneet.
