Er zijn twee hoofdtypen neurale netwerken:
- Feedforward Neural Networks (FNN): deze netwerken verspreiden gegevens van invoerknooppunten via verborgen lagen naar uitvoerknooppunten zonder cycli of lussen. Ze worden gebruikt voor taken zoals patroonherkenning, classificatie en regressie.
- Recurrent Neural Networks (RNN): RNN’s hebben verbindingen die cycli vormen, waardoor ze dynamisch temporeel gedrag kunnen vertonen door reeksen invoer te verwerken. Ze zijn geschikt voor taken waarbij sequentiële gegevens betrokken zijn, zoals natuurlijke taalverwerking, spraakherkenning en tijdreeksvoorspelling.
Neurale netwerken kunnen grofweg in twee typen worden onderverdeeld:
- Feedforward Neural Networks (FNN): deze netwerken verwerken gegevens op een unidirectionele manier en geven informatie door van invoerknooppunten via verborgen lagen naar uitvoerknooppunten. FNN’s worden vaak gebruikt voor taken zoals beeldherkenning, classificatie en regressie.
- Recurrent Neural Networks (RNN): RNN’s zijn ontworpen om sequentiële gegevens te verwerken door een status of geheugen van eerdere invoer te behouden. Hierdoor kunnen ze reeksen gegevens verwerken, waardoor ze geschikt zijn voor toepassingen zoals natuurlijke taalverwerking, handschriftherkenning en spraakherkenning.
Leren in neurale netwerken omvat doorgaans twee hoofdtypen:
- Supervised Learning: Bij begeleid leren leert het netwerk van gelabelde trainingsgegevens waarbij input wordt gecombineerd met overeenkomstige doeloutputs. Het netwerk past zijn parameters aan via iteratieve optimalisatie-algoritmen om het verschil tussen voorspelde en werkelijke output te minimaliseren, waardoor het nieuwe, onzichtbare gegevens kan generaliseren en voorspellen.
- Ongecontroleerd leren: Bij ongesuperviseerd leren gaat het om het trainen van het netwerk op ongelabelde gegevens, waarbij het netwerk patronen, structuren of relaties binnen de gegevens identificeert zonder expliciete begeleiding. Veel voorkomende taken zijn onder meer clustering, dimensionaliteitsreductie en detectie van afwijkingen, waardoor verborgen inzichten en structuur uit gegevens worden blootgelegd.
De twee belangrijkste onderdelen van neurale netwerken zijn:
- Neurons (Nodes): Neuronen zijn de fundamentele eenheden die informatie binnen een neuraal netwerk verwerken en verzenden. Elk neuron ontvangt invoersignalen, past gewichten en vooroordelen toe, en voert een resultaat uit naar de volgende laag of als uiteindelijke uitvoer.
- Verbindingen (gewichten): Verbindingen tussen neuronen vertegenwoordigen de informatiestroom in een neuraal netwerk. Elke verbinding wordt geassocieerd met een gewicht dat de sterkte van de relatie tussen verbonden neuronen bepaalt. Door deze gewichten tijdens de training aan te passen, kan het netwerk leren en zich aanpassen aan verschillende taken en datapatronen.
Kunstmatige neurale netwerken (ANN’s) omvatten verschillende architecturen, maar twee primaire typen zijn:
- Feedforward Neural Networks (FNN): FNN’s verwerken gegevens op een unidirectionele manier en geven informatie door van invoerknooppunten via verborgen lagen naar uitvoerknooppunten. Ze zijn effectief voor taken die patroonherkenning, classificatie en regressie vereisen.
- Recurrent Neural Networks (RNN): RNN’s zijn ontworpen om sequentiële gegevens te verwerken door een geheugen van eerdere invoer bij te houden via feedbacklussen. Hierdoor kunnen ze tijdreeksgegevens, natuurlijke-taalreeksen en andere sequentiële gegevenstypen effectief verwerken.