Enkelvoudige Neuron

Een neuron is de fundamentele eenheid van een neuraal netwerk, verantwoordelijk voor het verwerken van informatie. Het ontvangt invoergegevens (elke gegevens gecodeerd als numerieke waarden), verwerkt deze en geeft het resultaat door. Aan elke invoer wordt een gewicht toegekend, dat de belangrijkheid ervan in de berekening van het neuron bepaalt.

De werking van elk neuron kan worden onderverdeeld in 4 stappen:

1. Ontvangen van invoer: een neuron ontvangt meerdere invoeren, weergegeven als $x_1$, $x_2$, $x_3$, enzovoort;
2. Toepassen van gewichten: elke invoer wordt vermenigvuldigd met een overeenkomstig gewicht $w_1$, $w_2$, $w_3$, enzovoort, wat de significantie ervan bepaalt. Aanvankelijk worden deze gewichten willekeurig ingesteld, maar ze worden later aangepast tijdens de training met behulp van een methode die backpropagation wordt genoemd, die later wordt behandeld;
3. Sommering: de gewogen invoeren worden bij elkaar opgeteld ($w_1 \times x_1 + w_2 \times x_2 + ...$);
4. Activatiefunctie: deze som wordt door een activatiefunctie gehaald, die het omzet in de output van het neuron. De keuze van activatiefunctie hangt af van het probleem dat het neuraal netwerk probeert op te lossen.

Neuron als onderdeel van een neuraal netwerk

De output van het neuron dient als input voor de volgende laag neuronen. Dit proces gaat door meerdere lagen heen totdat het netwerk een eindresultaat oplevert.

Tijdens het leerproces worden de gewichten van het neuron zodanig aangepast dat de fout tussen de door het neuraal netwerk voorspelde waarden en de werkelijke waarden wordt geminimaliseerd.

Als het netwerk een fout maakt, past het de gewichten aan om toekomstige voorspellingen te verbeteren.

Door deze verbindingen in de loop van de tijd te verfijnen, leert het neuraal netwerk patronen in data en verbetert het de nauwkeurigheid bij het oplossen van taken.