Mạng nơ-ron là một chuỗi các thuật toán cố gắng nhận ra các mối quan hệ cơ bản trong một tập hợp các bản ghi thông qua một quá trình bắt chước cách bộ não con người hoạt động. Trong phương pháp này, mạng nơ-ron xác định hệ thống nơ-ron, có thể là hữu cơ hoặc nhân tạo.
Mạng thần kinh là các kỹ thuật phân tích được mô hình hóa dựa trên các quá trình học tập (giả thuyết) trong hệ thống nhận thức và các chức năng thần kinh của não và có khả năng dự đoán các quan sát mới (về các biến cụ thể) từ các quan sát khác sau khi thực hiện một quá trình được gọi là học tập từ hiện có thông tin. Mạng thần kinh là một trong những kỹ thuật Khai thác dữ liệu.
Giai đoạn đầu tiên là thiết kế một kiến trúc mạng cụ thể (liên quan đến một số lượng “lớp” xác định, mỗi lớp bao gồm một số lượng “nơ-ron” cụ thể). Quy mô và cấu trúc của mạng cần phải phù hợp với bản chất (ví dụ, độ phức tạp chính thức) của hiện tượng được điều tra. Bởi vì cái thứ hai chưa được biết đến nhiều ở giai đoạn đầu này, nhiệm vụ này không dễ dàng và thường liên quan đến nhiều “lần thử nghiệm và sai sót”.
Mạng mới sau đó phải trải qua quá trình “đào tạo”. Trong giai đoạn đó, các tế bào thần kinh áp dụng một quy trình lặp lại đối với số lượng đầu vào (biến) để điều chỉnh trọng số của mạng nhằm dự đoán tối ưu (theo thuật ngữ truyền thống, người ta có thể nói, tìm một "phù hợp" với) dữ liệu mẫu mà trên đó "đào tạo ”Được biểu diễn. Sau giai đoạn học hỏi từ tập dữ liệu hiện có, mạng mới đã sẵn sàng và sau đó nó có thể được sử dụng để tạo dự đoán.
Mạng nơ-ron đã được quan tâm trong vài năm qua và đang được sử dụng thành công trên một lĩnh vực đặc biệt của các lĩnh vực có vấn đề, trong các lĩnh vực đa dạng như tài chính, y học, kỹ thuật, địa chất và vật lý. Có hai phần tử của mạng nơ-ron như sau -
Sức mạnh - Mạng nơron là kỹ thuật mô hình hóa rất tinh vi, đủ để mô hình hóa các chức năng cực kỳ phức tạp. Đặc biệt, mạng nơron là phi tuyến. Trong một số năm, mô hình tuyến tính là phương pháp được sử dụng phổ biến trong hầu hết các lĩnh vực mô hình hóa bởi vì mô hình tuyến tính có các chiến lược tối ưu hóa nổi tiếng.
Tính dễ sử dụng - Mạng nơron học bằng ví dụ. Người dùng mạng nơ-ron thu thập dữ liệu đại diện và sau đó gọi các thuật toán đào tạo để tự động tìm hiểu cấu trúc của dữ liệu.
Mặc dù người dùng bắt buộc phải có một số kiến thức kinh nghiệm về cách chọn và chuẩn bị hồ sơ, cách chọn mạng nơ-ron thích hợp và cách thực thi kết quả, nhưng mức độ kiến thức của người dùng cần thiết để sử dụng thành công mạng nơ-ron thấp hơn nhiều so với trường hợp sử dụng (ví dụ) một số phương pháp thống kê phi tuyến tính truyền thống hơn.