Kunstmatig Neuraal Netwerk

Wat betekent Kunstmatig Neuraal Netwerk?

Een kunstmatig neuraal netwerk, vaak ook bekend als Artifical Neural Network, is een rekenmodel dat de werking van neuronen in het menselijk brein nabootst.

Artifical Neural Networks (ANN’s), oftewel kunstmatige neurale netwerken, gebruiken leeralgoritmen die zelf aanpassingen kunnen maken – of, in zekere zin, leren – wanneer zij nieuwe input ontvangen. Dit maakt hen tot een zeer doeltreffend instrument voor niet-lineaire statistische gegevensmodellering.

Deep learning ANN’s spelen een belangrijke rol in machine learning (ML) en ondersteunen het bredere gebied van kunstmatige intelligentie (AI) technologie.

Techopedia legt kunstmatige neurale netwerken uit

Een kunstmatig neuraal netwerk bestaat uit drie of meer lagen die onderling verbonden zijn. De eerste laag bestaat uit ingangsneuronen. Deze neuronen sturen gegevens naar de diepere lagen, die op hun beurt de uiteindelijke uitvoergegevens naar de laatste uitvoerlaag sturen.

Alle binnenste lagen zijn verborgen en worden gevormd door eenheden die de van laag tot laag ontvangen informatie via een reeks transformaties adaptief veranderen. Elke laag fungeert als input- en outputlaag, waardoor het ANN in staat is complexere objecten te begrijpen. Samen worden deze binnenste lagen de neurale laag genoemd.

De eenheden in de neurale laag proberen te leren van de verzamelde informatie door deze te wegen volgens het interne systeem van de ANN. Met behulp van deze richtlijnen kunnen de eenheden een getransformeerd resultaat produceren, dat vervolgens als output wordt doorgegeven aan de volgende laag.

Een bijkomende reeks leerregels maakt gebruik van backpropagatie, een proces waarbij het ANN zijn outputresultaten kan aanpassen om rekening te houden met fouten. Backpropagatie stuurt telkens informatie naar achteren wanneer de output tijdens de fase van gesuperviseerde training als fout wordt aangemerkt. Elk gewicht wordt bijgewerkt in verhouding tot de mate waarin het verantwoordelijk was voor de fout.

De fout wordt dus gebruikt om de weging van elke verbinding van het ANN te herijken om rekening te houden met het verschil tussen het gewenste resultaat en het werkelijke resultaat. Na verloop van tijd “leert” het ANN hoe het de kans op fouten en ongewenste resultaten kan minimaliseren.

Bij de training van een kunstmatig neuraal netwerk wordt gekozen uit toelaatbare modellen waarvoor verschillende algoritmen bestaan.

Een ANN heeft verschillende voordelen, maar een van de bekendste is het feit dat het daadwerkelijk kan leren van het observeren van datasets. Zo wordt een ANN gebruikt als hulpmiddel om willekeurige functies te benaderen. Dit type gereedschap helpt bij het inschatten van de goedkoopste en beste methoden om tot oplossingen te komen bij het defini?ren van rekenfuncties of verdelingen.

ANN’s gebruiken datamonsters in plaats van hele datasets om tot oplossingen te komen, hetgeen zowel tijd als geld bespaart. ANN’s worden beschouwd als relatief eenvoudige wiskundige modellen die een uitbreiding vormen van bestaande technieken om gegevens te analyseren.

Ze kunnen worden gebruikt voor vele praktische toepassingen, zoals voorspellende analyse in business intelligence, spam e-mail detectie, natuurlijke taalverwerking in chatbots en meer.