Estudo inteligência artificial em um programa de mestrado e usamos bastante redes neurais. Eles são realmente bastante úteis.
Eu acho que o problema das redes neurais é o nome deles. Isso confunde o que é uma rede neural real e faz com que algumas pessoas questionem seus méritos porque esperam que elas ajam como cérebros, quando são realmente um tipo de função sofisticado.
A melhor maneira de entender uma rede neural é ultrapassar o nome. Não pense nisso como um modelo de cérebro ... não é ... essa era a intenção nos anos 1960, mas em 2011, e eles são usados o tempo todo para aprendizado e classificação de máquinas.
Uma rede neural é na verdade apenas uma função matemática. Você insere um vetor de valores, esses valores são multiplicados por outros valores e um valor ou vetor de valores é gerado. Isso é tudo .
Eles são muito úteis em domínios problemáticos em que não há função conhecida para aproximar os recursos (ou entradas) fornecidos às suas saídas (classificação ou regressão). Um exemplo seria o clima - existem muitos recursos para o clima - tipo, temperatura, movimento, cobertura de nuvens, eventos passados, etc. - mas ninguém pode dizer exatamente como calcular qual será o clima daqui a dois dias. Uma rede neural é uma função estruturada de maneira a facilitar a alteração de seus parâmetros para aproximar a previsão do tempo com base em recursos.
É isso mesmo ... é uma função e tem uma estrutura agradável, adequada para "aprender". Seriam utilizados os últimos cinco anos de dados climáticos - completos com os recursos climáticos e as condições do clima em dois dias no futuro, para todos os dias nos últimos cinco anos. Os pesos da rede (fatores multiplicadores que residem nas bordas) são gerados aleatoriamente e os dados são executados. Para cada previsão, o NN emitirá valores incorretos. Usando um algoritmo de aprendizado baseado em cálculo, como retropropagação, pode-se usar os valores de erro de saída para atualizar todos os pesos na rede. Depois de executar bastante os dados, os níveis de erro chegarão a um ponto mais baixo (há mais do que isso, mas não vou entrar aqui - o mais importante é o ajuste excessivo). O objetivo é interromper o algoritmo de aprendizado quando os níveis de erro estiverem no melhor ponto. A rede é então fixa e, nesse ponto, éapenas uma função matemática que mapeia valores de entrada em valores de saída, como qualquer equação antiga. Você alimenta novos dados e confia que os valores de saída são uma boa aproximação.
Para aqueles que afirmam que falharam: não são. Eles são extremamente úteis em muitos domínios. Como você acha que os pesquisadores descobrem correlações entre genes e doenças? NNs, assim como outros algoritmos de aprendizado, são usados em bioinformática e em outras áreas. Eles demonstraram produzir resultados extremamente bons. A NASA agora os utiliza para rotinas de estações espaciais, como prever a duração da bateria. Algumas pessoas dirão que as máquinas de vetores de suporte etc. são melhores ... mas não há evidências disso, outros algoritmos são apenas mais recentes.
É realmente muito ruim que as pessoas ainda afirmem que as redes neurais falharam porque são muito mais simples que o cérebro humano - as redes neurais não são mais usadas para modelar cérebros - isso foi há 50 anos.