Un neurone artificiel est une fonction mathématique dans la programmation de logiciels pour les systèmes informatiques qui tente d'émuler un certain degré de l'interaction complexe de neurones biologiques, ou l'impulsion conducteur cellules du cerveau et du système nerveux. La première version du neurone artificiel a été créée en 1943 par Warren McCulloch et Walter Pitts comme une forme de neurone binaire, où l'entrée peut être soit une valeur de 1 ou -1. Ensemble, une combinaison de ces entrées est pondérée. Si un certain seuil est dépassé, la sortie du neurone artificiel est 1, et, si les entrées sont insuffisantes lorsqu'elles sont combinées, la sortie est une valeur de -1.
Ensemble, une collection de neurones artificiels interconnectés est destinée à fonctionner d'une certaine manière fondamentale comme le fait le cerveau humain. Une telle conception de réseaux de neurones artificiels est considérée comme un tremplin principal le long de la voie du développement de la vie artificielle, les systèmes informatiques de synthèse qui peuvent raisonner dans une certaine mesure que les êtres humains. Systèmes informatiques intelligents d'aujourd'hui emploient déjà des réseaux de neurones qui permettent le traitement en parallèle des données d'entrée d'une manière plus rapide que la programmation informatique linéaire traditionnelle.
Un exemple d'un système de travail qui dépend du neurone artificiel est un système de protection des cultures élaboré en 2006, qui a utilisé un véhicule volant de numériser l'état des cultures pour la présence de maladies et de parasites saisonniers. Un logiciel de réseau neuronal a été choisi pour commander le balayage des cultures, comme les réseaux de neurones sont essentiellement apprentissage ordinateurs. En plus des données est introduit dans les des conditions locales, ils deviennent plus efficaces dans la détection des problèmes afin qu'ils puissent être rapidement contrôlée avant qu'ils ne s'étendent. Une norme système commandé par ordinateur, d'un autre côté, aurait traité l'ensemble du champ des cultures égales, indépendamment de variations des conditions dans certaines sections. Sans reprogrammation continue par les concepteurs, il aurait été beaucoup plus inefficace que d'un système basé sur des adaptations de neurones artificiels.
Le logiciel de réseau neuronal offre également l'avantage d'être adaptable par des ingénieurs qui ne sont pas intimement familiarisés avec la conception de base du logiciel à un niveau de codage. Le logiciel est capable de s'adapter à un large éventail de conditions, et la maîtrise des gains comme il est exposé à ces conditions et recueille des données à leur sujet. Au départ, un réseau de neurones va produire une sortie incorrecte comme des solutions aux problèmes, mais, comme cette sortie est produite, elle est réinjectée dans le système d'entrée et un processus continu de raffinage et de peser les données amène à la compréhension de plus en plus précise du réel les conditions du monde, étant donné assez de temps et de rétroaction.
L’adaptation à la façon dont un réseau de neurones est conçu a conduit à d'autres types de neurone artificiel en plus de la structure de neurone binaire de base créée en 1943. Semi-linéaires des réseaux de neurones comportant à la fois des fonctions linéaires et non linéaires qui sont activés par des conditions. Si le problème à l'étude des conditions affichages qui ne sont pas linéaires, ou n'est pas clairement prévisible, et non des moindres, les fonctions non linéaires du système sont utilisés en lui donnant plus de poids que les calculs linéaires. Comme la formation du système nerveux continue, le système devient à mieux contrôler les conditions du monde réel, il est suivi par rapport à ce que les conditions idéales du système devrait être. Cela implique souvent l'intégration neuro-flous modèles dans le réseau neuronal, qui est en mesure de rendre compte de degrés d'imprécision dans la production de sens et de sortie des états de commande.