Een neuraal netwerk is een computationeel model uit de machine learning dat is geïnspireerd op de werking van het menselijk brein. Het herkent complexe patronen in data door informatie via verschillende lagen van onderling verbonden knooppunten te sturen en deze patronen vervolgens te vertalen naar een voorspelling of beslissing.
Technische werking
- Inputfase: Het netwerk ontvangt ruwe data, zoals pixels van een afbeelding of numerieke waarden uit een database, via de inputlaag.
- >Weging: Elke verbinding tussen knooppunten heeft een gewicht dat bepaalt hoeveel invloed een specifiek signaal heeft op de volgende laag.
- Activatie: In de verborgen lagen worden de gewogen signalen opgeteld en door een activatiefunctie gehaald om te bepalen of een knooppunt ‘vuurt’.
- Outputfase: De laatste laag produceert een resultaat, zoals een classificatie of een numerieke waarde.
- Correctie: Via algoritmische backpropagation wordt het verschil tussen de huidige output en de gewenste output berekend om de gewichten in het netwerk aan te passen.
Belangrijke begrippen
- Verborgen lagen: De tussenliggende lagen waar de eigenlijke dataverwerking en patroonherkenning plaatsvinden.
- Deep Learning: Een vorm van machine learning waarbij neurale netwerken veel verborgen lagen hebben om zeer complexe structuren te analyseren.
- Convolutional Neural Networks (CNN): Een gespecialiseerd type netwerk dat optimaal is voor het analyseren van visuele data en afbeeldingen.
- Recurrent Neural Networks (RNN): Netwerken met lussen die eerdere informatie onthouden, wat nuttig is voor sequentiële data zoals tekst of audio.
- Supervised learning: Het trainen van een netwerk met gelabelde data, waarbij het systeem weet wat de juiste uitkomst moet zijn.
