Mạng nơ-ron là một chuỗi các thuật toán cố gắng xác định các mối quan hệ cơ bản trong một tập hợp dữ liệu thông qua một quy trình bắt chước cách tiếp cận mà 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.
Mạng nơ-ron là một mảng các thuật toán cố gắng xác định các mối quan hệ cơ bản trong một tập hợp dữ liệu thông qua một quy trình bắt chước các kỹ thuật mà bộ não con người vận hành. Theo nghĩa này, mạng nơ-ron xác định hệ thống nơ-ron, chẳng hạn như hữu cơ hoặc nhân tạo.
Mạng nơron có liên quan trong hầu hết mọi tình huống trong đó mối quan hệ giữa các biến dự báo (độc lập, đầu vào) và các biến dự đoán (phụ thuộc, đầu ra) tồn tại, ngay cả khi mối quan hệ đó khó và không dễ nói rõ trong các thuật ngữ chung về "tương quan" hoặc "sự khác biệt giữa các nhóm."
Mạng nơ-ron là một mạng lưới các nơ-ron mô phỏng được sử dụng để xác định các thể hiện của các mẫu. Mạng nơ-ron hiểu được bằng cách tìm kiếm thông qua một khu vực trọng số của mạng.
Mạng nơ-ron là một tập hợp các đơn vị đầu vào / đầu ra được liên kết trong đó mỗi liên kết có trọng số liên quan đến nó. Trong quá trình học, các mạng học bằng cách điều chỉnh trọng số để có thể dự báo nhãn lớp chính xác của các mẫu đầu vào. Học NN còn được gọi là học kết nối do sự kết nối giữa các đơn vị.
Mạng nơ-ron cần các mục đào tạo dài, chúng đã được xem xét về khả năng diễn giải kém vì việc diễn giải ý nghĩa biểu tượng theo trọng số học rất phức tạp. Những tính năng này ban đầu tạo ra các mạng nơ-ron ít hấp dẫn hơn để khai thác dữ liệu.
Mạng nơron bao gồm khả năng chịu đựng dữ liệu nhiễu cao và khả năng phân loại các mẫu mà chúng chưa được đào tạo. Có nhiều thuật toán khác nhau đã được phát triển để trích xuất các quy tắc từ các mạng nơron được đào tạo. Những yếu tố này góp phần hướng tới sự tiện lợi của mạng nơ-ron để phân loại trong khai thác dữ liệu.
Trong kỹ thuật, mạng nơ-ron cung cấp hai chức năng quan trọng là bộ phân loại mẫu và bộ lọc thích ứng phi tuyến tính. Mạng nơ ron nhân tạo là một hệ thống phi tuyến tính linh hoạt, thường được hiểu là để triển khai một chức năng (một bản đồ đầu vào / đầu ra) từ dữ liệu. Thích ứng định nghĩa rằng các tham số hệ thống được chuyển đổi trong quá trình hoạt động, thường được gọi là giai đoạn huấn luyện.
Sau giai đoạn huấn luyện, các tham số Mạng thần kinh nhân tạo là không đổi và hệ thống được thiết lập để giải quyết vấn đề trong tầm tay (giai đoạn thử nghiệm). Mạng nơ ron nhân tạo được phát triển theo giai đoạn từng bước có hệ thống để nâng cao kiểm tra hiệu suất hoặc tuân theo một số ràng buộc nội bộ ngầm định, thường được định nghĩa là quy tắc học tập.