Computernetzwerke auf Basis neuronaler Netze haben ihren Ursprung in Algorithmen, die versuchten, das Gehirn zu imitieren, und wurden erstmals in den 1980er und frühen 1990er Jahren eingesetzt. Sie erlebten um 2005 ein Comeback und wurden als „Deep Learning“ eingeführt. Heute verwendet das maschinelle Lernen neuronale Netze in allem, von der Klimaänderung bis zur Online-Werbung, basierend auf einem vereinfachten mathematischen Modell einer Neurone.
„Künstliche neuronale Netze (ANNs), auch kurz neuronale Netze (NNs) genannt, basieren auf einer Sammlung verbundener Einheiten oder Knoten, die künstliche Neuronen genannt werden und die Neuronen im biologischen Gehirn lose nachbilden. Jede Verbindung, ähnlich wie die Synapsen im biologischen Gehirn, kann ein Signal an andere Neuronen übertragen. Ein künstliches Neuron empfängt Signale, verarbeitet sie und kann Neuronen, die damit verbunden sind, Signale senden lassen. Das „Signal“ an einer Verbindung ist eine reelle Zahl, und die Ausgabe jedes Neurons wird durch eine nichtlineare Funktion der Summe seiner Eingaben berechnet. Die Verbindungen werden Kanten (*edges*) genannt. Neuronen und Kanten haben typischerweise ein Gewicht, das sich während des Lernens anpasst. Das Gewicht erhöht oder verringert die Stärke des Signals an einer Verbindung. Neuronen können einen Schwellenwert haben, sodass ein Signal nur gesendet wird, wenn das aggregierte Signal diesen Schwellenwert überschreitet.
Typischerweise werden Neuronen in Schichten aggregiert. Unterschiedliche Schichten können unterschiedliche Transformationen auf ihre Eingaben anwenden. Signale reisen von der ersten Schicht (Eingabeschicht) zur letzten Schicht (Ausgabeschicht), möglicherweise nachdem sie die Schichten mehrfach durchlaufen haben.
Ein Netzwerk wird typischerweise als tiefes neuronales Netz bezeichnet, wenn es mindestens 2 verborgene Schichten hat.“[1]
[1] Mehr dazu auf Wikipedia.