zenuwnetwerken

Zenuwnetwerken zijn informaticasystemen die zijn geïnspireerd op de werking van biologische zenuwcellen. Ze bestaan uit knopen die neuronen worden genoemd, georganiseerd in lagen. Een neuron ontvangt signalen van voorgaande lagen, berekent een gewogen som en past de uitkomst door een activatiefunctie toe. Door veel data en leerprocessen kunnen ze patronen herkennen en complexe relaties modelleren.

De meest gangbare architecturen zijn feedforward-netwerken (data stroomt in één richting van input naar output), recurrente netwerken (met terugkoppelingen voor tijdreeksen en sequentiële data) en convolutionele netwerken (met speciale filters voor ruimtelijke data zoals beelden). Netwerken bestaan uit neuronen, gewichten en biases. Belangrijke bouwstenen zijn activatiefuncties (bijv. ReLU, sigmoid, tanh), normalisatie en regelmatige technieken zoals dropout of L1/L2-regularisatie. Het leerproces gebeurt doorgaans via supervised learning: netwerken worden voorgetraind met gelabelde voorbeelden en passen de gewichten aan om een verliesfunctie te minimaliseren, meestal met gradient descent en backpropagation.

Toepassingen zijn onder meer beeld- en spraakherkenning, natuurlijke taalverwerking, tijdreeksanalyse, medische beeldvorming en aanbevelingssystemen. Zenuwnetwerken leveren sterke prestaties op taken met grote datasets en complexe patronen, maar vereisen aanzienlijke rekenkracht en data. Daarnaast brengen ze uitdagingen met zich mee, zoals overfitting, biases in data, en beperkte interpretabiliteit.

Historisch gezien ontstonden de fundamenten in de mid-20e eeuw met eenvoudige perceptrons, gevolgd door doorbraken in backpropagation in de jaren tachtig en de opkomst van diepere netwerken vanaf de jaren 2010, waardoor zogeheten deep learning mogelijk werd.