Adaptyvusis neuroninis tinklas yra sistema, kuri apdoroja informaciją ir prireikus koreguoja tinklą. Tokių tinklų galima rasti kompiuterinėse sistemose arba organinėse gyvybės formose. Jie naudojami dideliems sudėtingos informacijos kiekiams interpretuoti ir yra šiuolaikinės dirbtinio intelekto technologijos pagrindas.
Žmogaus sukurtas adaptyvus neuroninis tinklas, dar vadinamas dirbtiniu neuroniniu tinklu, modeliuojamas pagal natūraliai atsirandančius neuroninius tinklus žmonių ir gyvūnų smegenyse. Jie dirba naudodami daugybę informacijos rinkimo jutiklių – neuronų -, kuriuos interpretuoja centrinis procesorius. Šios jungtys gali keisti ir keisti sąveiką su centriniu procesoriumi, remiantis jų pačių įvertinimu, kaip efektyviausiai atlikti savo funkcijas.
Yra du pagrindiniai adaptyvaus neuroninio tinklo „mokymosi“ būdai: prižiūrimas mokymasis ir neprižiūrimas mokymasis. Prižiūrimam mokymuisi reikalingas žmogaus kolega, kuris instruktuotų tinklą, kaip interpretuoti ir sąveikauti su įvairiais įvestimis. Šio mokymosi stiliaus tikslas yra užtikrinti, kad nebūtų klaidų metoduose, kuriuos adaptyvusis neuroninis tinklas naudoja informacijai apdoroti, ir sustiprinti norimus tinklo veiksmus.
Neprižiūrimas mokymasis priklauso nuo centrinio procesoriaus sąveikos su savo aplinka ir priimant savo sprendimus, kaip jis turėtų veikti, remdamasis pirminiu programavimu. Tam ji tvarko ir pertvarko gaunamą informaciją ir prognozuoja, kokie gali būti šių duomenų pakeitimo rezultatai. Tinklas gali mokytis prisijungus arba neprisijungus. Mokymasis internetu reiškia, kad tinklas mokosi, kai atlieka užduotis. Mokymasis neprisijungus reikalauja, kad tinklas mokytųsi atskirai nuo vaidybos.
Šiuo metu yra keturios pagrindinės užduotys, kurias atlieka prisitaikantys neuroniniai tinklai. Jie visi susiję su modelių apdorojimu ir interpretavimu. Pirma, yra grupavimas, kai tinklas tiria daugybę modelių ir sugrupuoja susijusius modelius į grupes.
Antroji užduotis, kurią gali atlikti prisitaikantis neuroninis tinklas, yra atpažinti ir interpretuoti šabloną, pvz., rašytus ar ištartus žodžius. Tai darydamas, jis gali bandyti suprasti visiškai nežinomus modelius, remdamasis susijusių modelių supratimu. Funkcijos vertės įvertinimas yra trečioji pagrindinė užduotis ir dažnai naudojama moksle ar inžinerijoje. Ketvirta pagrindinė užduotis, kurią gali atlikti prisitaikantis neuroninis tinklas, yra numatyti, kas nutiks ateityje, jei bus pakeisti tam tikri duomenų modeliai.
Dirbtinis neuroninis tinklas yra dirbtinio intelekto forma, o moderniausias jo panaudojimas apima pažangias robotų technologijas. Jį dažniau naudoja duomenų analitikai, nes jų darbas susijęs su didelio informacijos kiekio interpretavimu ir rūšiavimu. Dirbtinis neuroninis tinklas gali padėti analitikui tvarkyti savo duomenis, atlikti tyrimus ir išbandyti galimus įmonės produktų ir paslaugų pakeitimus. Technologijoms tobulėjant, neuroninių tinklų taikymas taps vis dažnesnis.