Enskild neuron

En neuron är den grundläggande enheten i ett neuralt nätverk och ansvarar för informationsbearbetning. Den tar emot indata (vilken data som helst kodad som numeriska värden), bearbetar den och skickar resultatet vidare. Varje indata tilldelas en vikt, som avgör dess betydelse i neuronens beräkning.

Hur varje neuron fungerar kan delas upp i 4 steg:

1. Mottagning av indata: en neuron tar emot flera indata, representerade som $x_1$, $x_2$, $x_3$, etc;
2. Tillämpning av vikter: varje indata multipliceras med en motsvarande vikt $w_1$, $w_2$, $w_3$, etc., vilket definierar dess betydelse. Inledningsvis sätts dessa vikter slumpmässigt, men de justeras senare under träning med en metod som kallas backpropagation, som vi kommer att behandla senare;
3. Summering: de viktade indatan summeras ($w_1 \times x_1 + w_2 \times x_2 + ...$);
4. Aktiveringsfunktion: denna summa skickas genom en aktiveringsfunktion, som omvandlar den till neuronens utdata. Valet av aktiveringsfunktion beror på vilket problem det neurala nätverket försöker lösa.

Neuron som del av ett neuralt nätverk

Neuronens utdata fungerar som indata för nästa lager av neuroner. Denna process fortsätter genom flera lager tills nätverket producerar ett slutgiltigt resultat.

Under inlärningsprocessen justeras neuronens vikter på ett sådant sätt att felet minimeras mellan de värden som det neurala nätverket förutspår och de verkliga värdena.

Om nätverket gör ett misstag uppdateras vikterna för att förbättra framtida förutsägelser.

Genom att förfina dessa kopplingar över tid lär sig det neurala nätverket mönster i data och förbättrar sin noggrannhet vid problemlösning.