Sztuczne Sieci Neuronowe

Sztuczne sieci neuronowe (SSN) nie są już tylko interesującą alternatywą dla algorytmicznego przetwarzania danych, lecz stały się naprawdę potrzebne w dziedzinach, gdzie standardowe algorytmy nie dają sobie rady, lub po prostu są nieznane. Sposób działania SSN naśladuje funkcjonowanie biologicznego układu nerwowego a szczególnie mózgu ludzkiego, który jest rozproszonym i równoległym systemem przetwarzania informacji. Działanie to nie jest jednak identyczne, ponieważ nie jest możliwe dokładne symulowanie neuronów, przy obecnym stanie wiedzy i mocy obliczeniowej komputerów. Ogólne aspekty działania sztucznych neuronów pozostają jednak podobne do ich biologicznych odpowiedników. Podstawową cechą różniącą SSN od innych algorytmów jest zdolność generalizacji. Innymi słowy jest to uogólnianie wiedzy. SSN wymagają jednorazowego treningu przy czym wykazują one tolerancję na nieciągłości, przypadkowe zaburzenia lub wręcz braki w zbiorze uczącym. Raz wytrenowana sieć neuronowa potrafi odpowiednio klasyfikować nowe, nieznane wcześniej dane. Dodatkowo po poprawnej klasyfikacji nowego przypadku sieć uczy się na nim i jej skuteczność wzrasta z czasem. Ta cecha pozwala na zastosowanie jej tam, gdzie nie da się rozwiązać danego problemu w żaden inny, efektywny sposób.