Das neuronale Netzwerk ist einer der Programmmechanismen, die es dem Programm ermöglichen zu lernen, d.h. Erfahrungen zu berücksichtigen. Je besser geeignete Daten für die Ausbildung zur Verfügung stehen, desto besser (vorausgesetzt, dass die Verteilung der Daten über den Inhalt ähnlich ist wie bei einem funktionierenden, geschulten Programm). Was ist gut an dem neuronalen Netzwerk? Schließlich gibt es andere Methoden, die es dem Programm ermöglichen, zu lernen. Erstens sind neuronale Netze eine nichtlineare Methode, einfach ausgedrückt, sie sind in der Lage, komplexe, subtile Abhängigkeiten zwischen einzelnen Dateneigenschaften zu finden. Gleichzeitig sind neuronale Netze aus Sicht der Rechengeschwindigkeit gut, da sie auf dem Grafikprozessor gut parallelisiert sind. Neuronale Netze sind eine gute Lösung, wenn wir komplexe Daten mit vielen verschiedenen Attributen haben, und wir wollen, dass das Modell in der Lage ist, die neuen Daten zusammenzufassen und das Problem richtig zu lösen. Viele Aufgaben eines neuronalen Netzwerks werden derzeit schlechter ausgeführt als ein Mensch, aber bei einer Reihe von Aufgaben eines neuronalen Netzwerks sind sie in der Lage, besser zu funktionieren als ein Mensch (meist aufgrund der Möglichkeit, dass der "menschliche Faktor" aufgrund von Unachtsamkeit einen Fehler macht). Mit welchen Datentypen kann ein neuronales Netzwerk arbeiten? Tabellen von audio-video-temporalen Bildreihen (z.B. Finanzen, Indikatoren von Sensoren, etc.). Wie die Praxis gezeigt hat, sind selbst die modernsten Supercomputer nicht in der Lage, Aufgaben des Gehirns schnell und effizient zu lösen. Infolgedessen gibt es Versuche, Analogien zu realen Aufgaben zu erstellen. Bis moderne neuronale Netze in einem sehr rudimentären Zustand sind und sich sogar der Funktionalität des menschlichen Gehirns nähern können. Aber alles geht dahin, dass in naher Zukunft nicht einmal neuronale Netze das menschliche Gehirn übertreffen können.Weitere Antworten lesen