एक तंत्रिका नेटवर्क एल्गोरिदम की एक श्रृंखला है जो एक प्रक्रिया के माध्यम से रिकॉर्ड के एक सेट में बुनियादी संबंधों को पहचानने का प्रयास करता है जो मानव मस्तिष्क के संचालन के तरीके की नकल करता है। इस पद्धति में, तंत्रिका नेटवर्क कार्बनिक या कृत्रिम, न्यूरॉन्स के सिस्टम को परिभाषित करते हैं।
तंत्रिका नेटवर्क संज्ञानात्मक प्रणाली और मस्तिष्क के तंत्रिका संबंधी कार्यों में सीखने की (परिकल्पित) प्रक्रियाओं के बाद तैयार की गई विश्लेषणात्मक तकनीकें हैं और मौजूदा से तथाकथित सीखने की प्रक्रिया को लागू करने के बाद अन्य टिप्पणियों से नई टिप्पणियों (विशिष्ट चर पर) की भविष्यवाणी करने में सक्षम हैं। जानकारी। तंत्रिका नेटवर्क डेटा माइनिंग तकनीकों में से एक है।
पहला चरण एक विशिष्ट नेटवर्क आर्किटेक्चर को डिजाइन करना है (जिसमें "न्यूरॉन्स" की एक विशिष्ट संख्या सहित प्रत्येक "परतों" की एक निश्चित संख्या शामिल है)। नेटवर्क के आकार और संरचना को जांच की गई घटना की प्रकृति (जैसे, औपचारिक जटिलता) से मेल खाना चाहिए। चूंकि इस प्रारंभिक चरण में उत्तरार्द्ध बहुत अच्छी तरह से ज्ञात नहीं है, यह कार्य आसान नहीं है और इसमें अक्सर कई "परीक्षण और त्रुटियां" शामिल होती हैं।
नए नेटवर्क को तब "प्रशिक्षण" की प्रक्रिया के अधीन किया जाता है। उस चरण में, न्यूरॉन्स इनपुट (चर) की संख्या के लिए एक पुनरावृत्ति प्रक्रिया लागू करते हैं ताकि नेटवर्क के वजन को बेहतर ढंग से भविष्यवाणी करने के लिए समायोजित किया जा सके (पारंपरिक शब्दों में, एक "फिट" ढूंढें) नमूना डेटा जिस पर "प्रशिक्षण" " प्रदर्शन किया जाता है। मौजूदा डेटा सेट से सीखने के चरण के बाद, नया नेटवर्क तैयार होता है और फिर इसका उपयोग भविष्यवाणियां उत्पन्न करने के लिए किया जा सकता है।
तंत्रिका नेटवर्क ने पिछले कुछ वर्षों में रुचि का विस्फोट देखा है, और वित्त, चिकित्सा, इंजीनियरिंग, भूविज्ञान और भौतिकी जैसे विविध क्षेत्रों में समस्या डोमेन के एक असाधारण क्षेत्र में सफलतापूर्वक उपयोग किया जा रहा है। तंत्रिका नेटवर्क के दो तत्व होते हैं जो इस प्रकार हैं -
पावर - तंत्रिका नेटवर्क अत्यंत परिष्कृत मॉडलिंग तकनीक हैं जो अत्यंत जटिल कार्यों के मॉडलिंग के लिए पर्याप्त हैं। विशेष रूप से, तंत्रिका नेटवर्क अरेखीय हैं। कुछ वर्षों के लिए अधिकांश मॉडलिंग डोमेन में रैखिक मॉडलिंग आम तौर पर उपयोग की जाने वाली विधियां रही हैं क्योंकि रैखिक मॉडल में प्रसिद्ध अनुकूलन रणनीतियां हैं।
उपयोग में आसानी - तंत्रिका नेटवर्क उदाहरण के द्वारा सीखते हैं। तंत्रिका नेटवर्क उपयोगकर्ता प्रतिनिधि डेटा एकत्र करता है और फिर डेटा की संरचना को स्वचालित रूप से सीखने के लिए प्रशिक्षण एल्गोरिदम को आमंत्रित करता है।
यद्यपि उपयोगकर्ता को कुछ अनुमानी ज्ञान की आवश्यकता होती है कि रिकॉर्ड कैसे चुनें और तैयार करें, एक उपयुक्त तंत्रिका नेटवर्क कैसे चुनें, और परिणामों को कैसे निष्पादित करें, तंत्रिका नेटवर्क का सफलतापूर्वक उपयोग करने के लिए आवश्यक उपयोगकर्ता ज्ञान का स्तर की तुलना में बहुत कम है। मामला (उदाहरण के लिए) कुछ और पारंपरिक गैर-रेखीय सांख्यिकीय विधियों का उपयोग कर रहा है।