神经网络学习

神经网络学习（neural network learning），理学-计算机科学技术-人工智能-机器学习-神经网络学习，机器学习（machine learning）同人工神经网络（artificial neural network）这两个学科领域的交叉部分，是指使用人工神经网络技术解决机器学习领域中的任务。人工神经网络（Artificial Neural Network）最初是受构成生物大脑的生物神经网络启发的数学模型，用于对函数进行估计或近似。1943年，神经科学家沃伦·麦卡洛克（Warren Sturgis McCulloch）和逻辑学家沃尔特·皮茨（Walter Pitts）建立了神经网络的数学模型，称为MP(由二人名字首字母缩写组合而来)模型。1986年杰弗里·辛顿（Geoffrey E.Hinton）和大卫·鲁梅尔哈特(David Rumelhar)等人提出了反向传播算法（Backpropagation，简称BP），解决了两层神经网络的复杂计算问题，克服了神经网络无法解决异或的问题。