ニューラル・ネットワーク

• クレジットカードやメディケアに関する不正の検知
• 交通運輸網のロジスティクスの最適化
• 文字認識や音声認識（自然言語処理としても知られています）
• 医療診断／疾病診断
• ターゲットを絞り込んだマーケティング
• 金融予測（株価、通貨、オプション、将来、破産、債券格付けなど）
• ロボット制御システム

• 電力負荷予測／エネルギー需要予測
• プロセス制御／品質制御
• 化合物の同定
• 生態系の評価
• 生の写真やビデオを解釈するためのコンピューター・ビジョン（例：医療画像処理、ロボット工学、顔認識）

最もシンプルなニューラル・ネットワークには、入力層、出力層（ターゲット層）、および、その間の隠れ層が、それぞれ1つずつあります（右図では隠れ層が2つあります）。各層はノードを通じて結合され、これらの結合によって、各ノードが相互接続された「ネットワーク」が形成されます。それがニューラル・ネットワークです。

ノードは人間の脳のニューロン（神経細胞）を模したもので、ニューロンの振る舞いと同様、ノードは十分な刺激（入力）が与えられると活性化します。この活性化がネットワーク全体に広がっていき、その結果として、当初の刺激に対する反応（出力）が生み出されます。これらの人工ニューロン間の結合はシンプルなシナプスとして機能し、信号が１つのニューロンから別のニューロンに伝達されることを可能にします。信号は最初の入力層から最後の出力層へと各層を縦断しながら伝わっていき、その途中で処理されます。

解決すべき要求や課題が与えられると、ニューロンは数理計算を実行し、次のニューロンに渡すのに十分な情報が存在するかどうかを明らかにします。もっと簡潔に言うと、ニューロンは全てのデータを読み取り、最も強い関係性がどこに存在するかを明らかにします。最もシンプルなタイプのネットワークの場合、ニューロンは、受け取った入力データを加算していき、その合計が所定の閾値を超えると「発火」し、自身と連結しているニューロン群を活性化させます。

ニューラル・ネットワークに含まれる隠れ層の数が増えると、階層構造がより深く（ディープ）になるため、「ディープ・ニューラル・ネットワーク」と呼ばれますディープ・ラーニングのアーキテクチャは、シンプルなニューラル・ネットワークを次のレベルへと進化させます。多数の隠れ層を利用することで、データサイエンティストは独自のディープ・ラーニング・ネットワークを構築することができ、それによって実現する機械学習を用いて、音声認識、画像識別、予測など人間が行うようなタスクを正確にエミュレート（疑似的に模倣）するようにコンピューターをトレーンニングすることができます。同様に重要な点は、コンピューターが自律的に、何層もの処理を用いた特徴抽出・パターン認識を学習できるようになることです。

では、この定義が実際にどのように動作するのかを見てみましょう。まず、データが入力層を通じてネットワークに与えられ、入力層はそれを隠れ層（複数ある場合は最初の隠れ層）に伝達します。隠れ層における処理は、重みづけ結合のシステムを通じて行われます。隠れ層の各ノードでは、入力層から受け取ったデータと係数の集合を組み合わせ、適切な重みを入力に割り当てた上で、これらの「入力×重み」の積を合計します。この合計値は、ノードの活性化関数を通じて次の隠れ層（のノード群）に渡されます（活性化関数は、最終出力に影響を及ぼすための信号強度を決定します）。最終的に、（最後の）隠れ層は出力層と結合し、そこから出力を取得できます。