Neuronové sítě představují výpočetní modely, které se inspirují strukturou a funkcí biologických nervových soustav. Jejich základem je matematický model umělého neuronu. Tyto neurony jsou uspořádány do vrstev a vzájemně propojeny spoji, jimž jsou přiřazeny váhy. Síť zpracovává data tak, že vstupní informace prochází přes tyto propojené neurony, které signál transformují pomocí aktivačních funkcí. Procesem zvaným učení dochází k postupné úpravě vah na základě předkládaných dat, čímž se síť adaptuje k řešení konkrétní úlohy, jako je klasifikace dat nebo predikce.
Zjednodušeně si lze neuronovou síť představit jako systém, který se učí řešit problémy podobně jako lidský mozek. Místo toho, aby byl přesně naprogramován na každý úkol, učí se na příkladech. Když síti ukážete tisíce obrázků psů, naučí se sama rozpoznávat klíčové znaky a následně dokáže psa identifikovat i na obrázku, který nikdy předtím neviděla. Tímto způsobem se využívá například pro rozpoznávání obličejů, překlad jazyků nebo předpovídání počasí, protože zvládá nacházet složité vzory v datech.
Neuronové sítě (angl. neural networks)
Odborná definice: Umělé neuronové sítě jsou nelineární výpočetní modely a datové struktury inspirované biologickými neuronovými sítěmi. Skládají se z velkého počtu vzájemně propojených jednoduchých výpočetních jednotek, takzvaných umělých neuronů, organizovaných typicky do vstupní, jedné či více skrytých a výstupní vrstvy. Každý spoj mezi neurony má přiřazenou číselnou hodnotu – váhu. Neuron agreguje vážené vstupy ze spojů, aplikuje na ně aktivační funkci, která určí jeho výstup, a ten dále předává dalším neuronům. Schopnost učení je realizována iterativní úpravou těchto vah pomocí algoritmů, jako je zpětné šíření chyby (backpropagation), s cílem minimalizovat rozdíl mezi predikovaným a skutečným výstupem na trénovacích datech.
Etymologie a kontext: Termín je odvozen z biologie, kde neuron označuje nervovou buňku a síť jejich vzájemné propojení. První matematický model neuronu navrhli Warren McCulloch a Walter Pitts v roce 1943. Koncept se dále rozvíjel, například s modelem Perceptronu od Franka Rosenblatta (1958). V současnosti jsou neuronové sítě základním nástrojem v oblasti strojového učení a umělé inteligence, zejména v podobě hlubokých neuronových sítí (deep learning), které díky velkému počtu skrytých vrstev a výpočetnímu výkonu dosahují vysoké úspěšnosti při řešení komplexních úloh, jako je zpracování obrazu, přirozeného jazyka a autonomní řízení.