您能用一个例子简单地解释神经网络吗？
Answers:
神经网络是一类计算系统。它们是由形成网络的非常简单的处理节点创建的。它们的灵感来自大脑等生物系统的工作方式，尽管目前复杂程度降低了多个数量级。
从根本上说，它们是模式识别系统，并且对于可以用模式识别来描述的任务更有用。通过向他们提供具有已知输出的数据集来对其进行“训练”。
例如，假设您正在尝试训练网络，以便在给它提供猫的图片时输出1，而在看到非猫的图片时输出0。您可以通过运行大量猫的图片并使用算法调整网络参数，直到给出正确的响应来训练网络。这些参数通常是每个输入的增益和每个节点的权重以及网络的实际结构（多少个节点，多少个层以及什么互连）。
识别猫图片实际上是一个非常复杂的问题，并且需要一个复杂的神经网络（可能从每个像素一个节点开始）。实验神经网络的通常起点是尝试将简单的逻辑门（例如AND，OR，NOT等）实现为神经网络。
神经网络是实现复杂结果的非常快速的方法。它们对于AI研究非常有趣，因为它们是动物大脑的模型。
神经网络的主要缺点之一是很难对其进行反向工程。如果您的网络确定大象的一个特定图像实际上是猫，那么您在任何有用的意义上都无法真正确定“为什么”。您真正能做的就是尝试进一步培训/调整网络。
神经网络往往被用于完成诸如自动售货机中的硬币/纸币识别或生产线上的缺陷发现之类的任务。
如果您感兴趣的话，最好的起点是使用Google'perceptron'，这是最早的神经网络元素之一的名称。
我在一个硕士课程中学习人工智能，并且我们大量使用了神经网络。它们实际上非常有用。
我认为神经网络的问题在于其名称。这既混淆了神经网络的实际含义，又使某些人质疑自己的优点，因为他们希望它们在实际上是一种奇特的功能时像大脑一样工作。
理解神经网络的最好方法是超越名称。不要以为它是大脑的模型...不是...这是1960年代的意图，但在2011年就一直在使用，它们一直用于机器学习和分类。
神经网络实际上只是一个数学函数。输入值向量，这些值将乘以其他值，然后输出一个值或值向量。仅此而已。
它们在问题领域非常有用，在这些领域中，没有用于将给定特征（或输入）逼近其输出（分类或回归）的已知函数。一个例子就是天气-天气有很多功能-类型，温度，运动，云层，过去的事件等-但没人能确切地说出如何计算从现在开始两天的天气。神经网络是一种结构化的功能，可轻松更改其参数以基于特征近似天气预测。
多数民众赞成在...这是一个功能，并具有适合“学习”的良好结构。人们可以获取过去五年的天气数据-包括过去五年中每天的天气特征和未来2天的天气状况。网络权重（驻留在边缘的乘数）是随机生成的，并且会遍历数据。对于每个预测，NN将输出不正确的值。使用基于演算的学习算法（例如反向传播），可以使用输出误差值来更新网络中的所有权重。在运行了足够的数据之后，错误级别将达到某个最低点（还有更多，但我在这里不赘述-最重要的是过度拟合）。目标是在错误级别达到最佳点时停止学习算法。然后将网络固定，此时就像一个数学函数一样，它可以将输入值映射到输出值，就像任何旧公式一样。您输入新数据，并相信输出值是一个很好的近似值。
对于那些声称自己失败的人：不是。它们在许多领域中都非常有用。您认为研究人员如何看待基因与疾病之间的相关性？神经网络以及其他学习算法被用于生物信息学和其他领域。已经证明它们可以产生非常好的结果。NASA现在将它们用于空间站例程，例如预测电池寿命。有人会说支持向量机等更好...但是没有证据表明，其他算法只是更新的。
真是太糟糕了，人们仍然声称神经网络是失败的，因为它们比人脑简单得多-神经网络不再用于模拟大脑-早在50年前。
简而言之，就像您所问的那样，神经网络是模仿生物神经网络的失败想法。它从来没有给出任何有趣的结果，也可能永远不会这样做，因为：
（1）与使用任何图灵完备的编程语言所能做的相比，它过于简单
（2）与生物神经网络相比，它过于简单：事实证明，它们比NN理论创建时所想的还要复杂。
关于神经网络在现实世界中使用的任何任务中都能成功的任何说法都是夸张的。
来吧我