La classification du réseau de neurones est le processus par lequel les ordinateurs sont ble de classer les données en utilisant des modèles de circuits présents dans les réseaux de neurones biologiques. Le circuit neuronal est le système le plus complexe connu et est capable de traiter plus de données - les deux en parallèle et en série - que n'importe quel ordinateur dans l'existence à partir de 2011, et une raison pour laquelle il est si puissante est la capacité d'adaptation des circuits neuronaux. Connexions, synapses et des portes logiques fonctionnelles peuvent renforcer et affaiblir base sur les informations et les neurones taux d'allumage. Cette adaptation même système pour l'intégration efficace de l'information et de traitement des données pour la classification statistique peut être exploitée par incorporation de schémas de circuits de thèse et les méthodes de conception assistée par ordinateur.
Le cerveau est une source impressionnante de la puissance de traitement combiné avec naturellement non linéaires statistiques des outils de modélisation de données. Les modèles trouvés dans les circuits de neurones varient de l'unité à traitement de l'information l'intégration de systèmes complexes. Les systèmes biologiques d'adaptation dans les processus d'information les réseaux neuronaux comment ils changent en fonction des informations reçues précédente. Une grande partie de la même manière qu'une personne apprend que pour couvrir le bruit de fond, un réseau de neurones artificiels peut apprendre à séparer des morceaux de poids informations différemment, ce qui donne plus de poids à l'information that système les a appris à désigner comme «important».
Modèles informatiques pour la classification du réseau de neurones profiter de la connaissance de l'étude des neurones naturellement gagnés survenus capacités de traitement du réseau, à partir d'unités à l'intérieur du circuit de traitement de l'information par le biais Quelle est pondéré. Ces modèles peuvent alors être mieux compris, prêtant mieux comprendre les rouages de plus Top du cerveau ainsi que dans les silico Recréer la raison, ce qui signifie que les ordinateurs sont utilisés pour le regroupement Grand classification neuronale puissance statistique de traitement du réseau. L'application de la classification de réseau neuronal sont considérables progrès objectif, faite par le 2011 avait been relativement faible, principalement en raison de la nascence de l'étude et la compréhension des réseaux de neurones.
Qui intègre les méthodes de transformation des systèmes d'information adaptatifs, imitant les circuits mobiles dans le cerveau, comme l'apprentissage automatique basé sur les paramètres de données antérieures, permet aux scientifiques de traiter les données d'une manière unique et dynamique. Certaines personnes disent que cela est nécessaire parce que l'accumulation exponentielle des données dans la science de plus en plus has-been et techniques pour augmenter la quantité de données extraites sont devenus plus efficaces. De nombreux scientifiques pensent that the goulot d'étranglement dans les découvertes scientifiques seront assimilées et les données lui-même le traitement. Pour l'analyse statistique, non-linéaires, machine à base de méthodes d'apprentissage largement invoqués sont devenus sur plus
Grâce à un modèle de calcul, les programmeurs peuvent créer des réseaux de neurones artificiels de neurones artificiels bénéfice $ à Représenter un cerveau mécanique - in silico traitement de l'information unité qui a la capacité de modifier its analyse statistique fondée sur des données antérieures dynamiquement mises en recouvrement. Essentiellement, le traitement des données se basant sur la classification des réseaux de neurones pourrait permettre aux scientifiques de créer des machines plus puissantes qui sont en mesure de l'apprentissage. Une machine capable de modifier dynamiquement les capacités TIC de classification basé sur l'information précédente est un outil puissant pour aider les scientifiques réalisés dans les problèmes engendrés par essayer d'analyser de vastes quantités de données.