Celem sieci neuronowej jest symulowanie sposobu, w jaki ludzki mózg działa w celu rozpoznawania wzorców, uczenia się na podstawie doświadczeń i podejmowania decyzji na podstawie danych wejściowych. Przetwarzając duże ilości złożonych informacji, sieci neuronowe mogą wykonywać takie zadania, jak rozpoznawanie obrazu i mowy, przetwarzanie języka naturalnego i analityka predykcyjna.
Podstawowym celem sieci neuronowej jest uczenie się na podstawie danych i uogólnianie tego uczenia się w celu dokonywania dokładnych przewidywań lub podejmowania decyzji dotyczących nowych, niewidocznych danych. Osiąga się to poprzez dostosowanie wag i odchyleń wzajemnie połączonych neuronów w oparciu o pary wejście-wyjście podczas treningu.
Celem głębokiej sieci neuronowej (DNN) jest uczenie się skomplikowanych wzorców i reprezentacji w danych poprzez wykorzystanie wielu warstw neuronów. Sieci DNN potrafią uczyć się cech hierarchicznych na podstawie surowych danych, co pozwala im rozwiązywać bardziej złożone zadania w porównaniu z płytkimi sieciami neuronowymi.
Podstawowym celem uczenia sieci neuronowej jest zminimalizowanie błędu przewidywania lub funkcji straty poprzez dostosowanie jej parametrów (wag i odchyleń) za pomocą iteracyjnych algorytmów optymalizacji, takich jak propagacja wsteczna. Proces ten poprawia zdolność sieci do dokładnego mapowania danych wejściowych na prognozy wyjściowe.
Jedną z kluczowych zalet sieci neuronowych jest ich zdolność do uczenia się i dostosowywania do złożonych wzorców i relacji w danych bez polegania na jawnych regułach programowania. Ta elastyczność sprawia, że nadają się do szerokiego zakresu zastosowań, od rozpoznawania obrazu i mowy po autonomiczną jazdę i prognozowanie finansowe.