Neuronnätverk är en form av artificiell intelligens som är inspirerad av det mänskliga nervsystemet. Det är en sammansättning av en stor mängd artificiella neuroner som är kopplade till varandra på ett sätt som gör att de kan lära sig och utföra olika uppgifter.
Varje neuron i ett neuronnätverk har ett antal ingångar där den tar emot signaler från andra neuroner eller från omvärlden. Varje ingång har en vikt som avgör hur mycket vikt varje signal ska ha för att bidra till neuronens totala aktivitet. Därefter summerar neuronet alla signaler och bestämmer hur aktivt det ska vara.
När ett neuronnätverk tränas, justeras vikterna i varje neuron så att nätverket kan utföra en given uppgift på ett effektivt sätt. Träning av neuronnätverk kan ske med hjälp av data från tidigare utförda uppgifter, och nätverket kan sedan användas för att utföra liknande uppgifter i framtiden.
En stor fördel med neuronnätverk är att de kan lära sig och förbättra sig själva över tiden, utan att programmerare behöver skriva om koden för att förbättra dess prestanda. På så sätt kan neuronnätverk anpassa sig till förändrade förhållanden och bli mer och mer effektiva i de uppgifter de utför.
Neuronnätverk används idag inom många olika områden, inklusive bild- och röstigenkänning, översättning av text och tal, och självkörande bilar.