एक तंत्रिका नेटवर्क एल्गोरिदम का एक क्रम है जो एक प्रक्रिया के माध्यम से डेटा के एक सेट में बुनियादी संबंधों की पहचान करने का प्रयास करता है जो मानव मस्तिष्क के काम करने के दृष्टिकोण 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।
एक तंत्रिका नेटवर्क एल्गोरिदम की एक सरणी है जो एक प्रक्रिया के माध्यम से डेटा के एक सेट में मौलिक संबंधों की पहचान करने का प्रयास करता है जो मानव मस्तिष्क द्वारा संचालित तकनीकों की नकल करता है। इस अर्थ में, तंत्रिका नेटवर्क कार्बनिक या कृत्रिम जैसे न्यूरॉन्स के सिस्टम को परिभाषित करते हैं।
तंत्रिका नेटवर्क लगभग हर उस स्थिति में प्रासंगिक होते हैं जिसमें भविष्यवक्ता चर (स्वतंत्र, इनपुट) और अनुमानित चर (आश्रित, आउटपुट) के बीच एक संबंध होता है, तब भी जब वह संबंध कठिन होता है और "सहसंबंध" के सामान्य शब्दों में स्पष्ट करना आसान नहीं होता है। या "समूहों के बीच मतभेद।"
एक तंत्रिका नेटवर्क नकली न्यूरॉन्स का एक नेटवर्क है जिसका उपयोग पैटर्न के उदाहरणों की पहचान करने के लिए किया जाता है। तंत्रिका नेटवर्क नेटवर्क भार के एक क्षेत्र के माध्यम से खोज कर समझते हैं।
एक तंत्रिका नेटवर्क लिंक्ड इनपुट/आउटपुट इकाइयों का एक सेट है जहां प्रत्येक लिंक का इससे संबंधित भार होता है। सीखने की प्रक्रिया के दौरान, नेटवर्क इनपुट नमूनों के सटीक वर्ग लेबल की भविष्यवाणी करने में सक्षम होने के लिए वज़न को समायोजित करके सीखते हैं। इकाइयों के बीच कनेक्शन के कारण एनएन लर्निंग को कनेक्शन लर्निंग भी कहा जाता है।
तंत्रिका नेटवर्क को लंबे प्रशिक्षण आइटम की आवश्यकता होती है, उनकी खराब व्याख्या के लिए उनकी समीक्षा की गई है क्योंकि सीखने के वजन के बाद प्रतीकात्मक अर्थ की व्याख्या करना जटिल है। ये सुविधाएं मूल रूप से डेटा माइनिंग के लिए कम आकर्षक तंत्रिका नेटवर्क बनाती हैं।
तंत्रिका नेटवर्क में शोर डेटा के लिए उनकी उच्च सहनशीलता और उन पैटर्नों को वर्गीकृत करने की उनकी क्षमता शामिल है जिन पर उन्हें प्रशिक्षित नहीं किया गया है। प्रशिक्षित तंत्रिका नेटवर्क से नियम निकालने के लिए विभिन्न एल्गोरिदम विकसित किए गए हैं। ये तत्व डेटा माइनिंग में वर्गीकरण के लिए तंत्रिका नेटवर्क की सुविधा में योगदान करते हैं।
इंजीनियरिंग में, तंत्रिका नेटवर्क पैटर्न क्लासिफायर के रूप में और गैर-रेखीय अनुकूली फिल्टर के रूप में दो महत्वपूर्ण कार्य प्रदान करते हैं। एक कृत्रिम तंत्रिका नेटवर्क एक लचीला, सबसे अधिक बार गैर-रेखीय प्रणाली है जो डेटा से एक फ़ंक्शन (एक इनपुट / आउटपुट मानचित्र) को लागू करने के लिए समझता है। अनुकूली परिभाषित करता है कि ऑपरेशन के दौरान सिस्टम पैरामीटर बदल जाते हैं, जिसे आमतौर पर प्रशिक्षण चरण के रूप में जाना जाता है।
प्रशिक्षण चरण के बाद, कृत्रिम तंत्रिका नेटवर्क पैरामीटर स्थिर होते हैं और समस्या को हल करने के लिए सिस्टम स्थापित किया जाता है (परीक्षण चरण)। कृत्रिम तंत्रिका नेटवर्क को एक व्यवस्थित चरण-दर-चरण चरण के साथ विकसित किया गया है ताकि प्रदर्शन परीक्षण को बढ़ाया जा सके या कुछ अंतर्निहित आंतरिक बाधाओं का पालन किया जा सके, जिसे आम तौर पर सीखने के नियम के रूप में परिभाषित किया जाता है।