Een neuraal netwerk verwijst naar een computermodel dat is geïnspireerd op de structuur en het functioneren van biologische neurale netwerken in het menselijk brein. Het bestaat uit onderling verbonden knooppunten, neuronen genaamd, georganiseerd in lagen. Elk neuron verwerkt invoergegevens, past gewichten en vooroordelen toe en geeft het resultaat door via een activeringsfunctie om een uitvoer te produceren. Neurale netwerken zijn ontworpen om van gegevens te leren door middel van iteratieve aanpassingen van gewichten, waardoor ze patronen kunnen herkennen, voorspellingen kunnen doen of taken kunnen uitvoeren zoals classificatie en regressie op basis van aangeleerde patronen.
Een voorbeeld van een neuraal netwerk is een feedforward neuraal netwerk dat wordt gebruikt voor beeldclassificatie. In dit scenario omvat het neurale netwerk een invoerlaag die pixelwaarden van een afbeelding ontvangt, verborgen lagen die berekeningen uitvoeren en kenmerken extraheren via gewogen verbindingen, en een uitvoerlaag die het klasselabel van de afbeelding voorspelt (bijvoorbeeld kat of hond). Door training met gelabelde afbeeldingen leert het netwerk kenmerken zoals randen, texturen en vormen te identificeren, waardoor een nauwkeurige classificatie van nieuwe, onzichtbare afbeeldingen mogelijk wordt op basis van aangeleerde patronen.
Een convolutioneel neuraal netwerk (CNN) is een gespecialiseerd type neuraal netwerk dat is ontworpen voor het verwerken van gestructureerde rasterachtige gegevens, zoals afbeeldingen. CNN’s bevatten convolutionele lagen die filters toepassen op invoergegevens, waardoor ruimtelijke hiërarchieën en kenmerken zoals randen en texturen worden geëxtraheerd. Deze lagen worden gevolgd door het samenvoegen van lagen die kenmerkkaarten downsamplen om de ruimtelijke dimensies te verkleinen terwijl essentiële informatie behouden blijft. CNN’s worden veel gebruikt bij taken zoals beeldherkenning, objectdetectie en beeldsegmentatie vanwege hun vermogen om automatisch patronen in visuele gegevens te leren en te identificeren met hoge nauwkeurigheid en efficiëntie.
Bij deep learning verwijst een neuron naar een fundamentele eenheid binnen een neuraal netwerk die berekeningen uitvoert op invoergegevens. Elk neuron ontvangt invoersignalen, past gewichten en vooroordelen toe op deze invoer, berekent een gewogen som en geeft het resultaat vervolgens door aan een activeringsfunctie om een uitvoer te produceren. Neuronen zijn georganiseerd in lagen binnen neurale netwerken, waarbij elke laag gegevensrepresentaties verwerkt en transformeert om steeds abstractere kenmerken vast te leggen. Neuronen in deep learning-modellen, waaronder CNN’s, spelen een cruciale rol bij het leren en representeren van complexe relaties en patronen in gegevens, waardoor het netwerk voorspellingen of beslissingen kan maken op basis van aangeleerde kennis.