神经网络是一种以人脑为模型的机器学习，简单地说就是创造一个人工神经网络，通过一种算法允许计算机通过合并新的数据来学习。
神经网络简单说就是通过一种算法允许计算机通过合并新的数据来学习
虽然现在有大量的人工智能算法，但是神经网络能够执行深度学习。当大脑的基本单位是神经元时，人工神经网络的基本组成部分是一个感知器，这个感知器可以完成简单的信号处理，然后连接到一个大的网状网络中。利用深度学习的神经网络任务的一个常见例子是对象识别任务，在该任务中，神经网络呈现出大量特定类型的对象，如猫或路标，而计算机通过分析所呈现图像中的反复出现的模式，学会对新图像进行分类。
神经网络如何学习
与其他算法不同的是，具有深度学习能力的神经网络不能直接编程完成任务。相反，他们就像孩子发育中的大脑一样，他们需要学习这些信息。一般学习方法有三种：
1.监督学习：这种学习策略是最简单的，因为有一个标记的数据集，计算机要经过这些数据集，然后对算法进行修改，直到它能够处理数据集以获得所需的结果。
2.无监督学习：如果没有可供学习的标记数据集，则使用此策略。神经网络分析数据集，然后用代价函数告诉神经网络它离目标有多远。然后，神经网络进行调整，以提高算法的准确性。
3.强化学习：在该算法中，对神经网络的正向结果进行强化，对一个负结果进行惩罚，迫使神经网络随着时间的推移而学习。
神经网络的历史
虽然神经网络确实代表了强大的现代计算机技术，但这个想法可以最早可以追溯到1943年。芝加哥大学的两名研究人员，神经生理学家沃伦·麦卡洛和数学家沃尔特·皮特在论文《神经活动内在思想的逻辑微积分》中阐述了神经元的激活是大脑活动的基本单位的理论。
神经网络现在已经可以进行“笔迹识别”
20世纪50年代的神经网络是计算机神经网络研究的黄金期，这个阶段产生的感知器实现了基于苍蝇复眼的视觉模式识别。1959年，斯坦福大学的两名研究人员开发了MADALINE(多个自适应线性单元)，一个神经网络超越理论，并承担一个实际的问题。MADALINE被专门用于减少电话线上回声的数量，以提高语音质量，而且非常成功，直到现在它仍然在商业上使用。1975年，第一个多层网络被开发出来，为神经网络的进一步发展铺平了道路，虽然一些人在十年前就认为这是不可能的成就；1982年，当普林斯顿大学教授约翰·霍普菲尔德发明了联想神经网络时，人们对神经网络产生了极大的兴趣，联想神经网络的创新之处在于数据可以双向传播，至此人工神经网络得到了广泛的普及和发展。
本文属于原创文章，如若转载，请注明来源：啥是神经网络？这东西没你想象的那么难//net.zol.com.cn/695/6957181.html
