神经网络算法——和谁更强？

首先说明，期望神经网络算法模拟人的神经系统，目前看并不可能。抛开其他因素，单纯从神经元的数量上看，差距就很大，甚至还不如“小强”

人类大脑大约有850亿个神经元，猫大约是10亿个，老鼠大约7500万，蟑螂的大约是100万。而目前最先进的人工神经网络大约不超过10万个『神经元』

不过，这并不代表机器不如人类，恰恰相反，机器学习就是摒弃了人类的思维方式，利用了计算机的特点，才有可能在某些领域替代、辅助（战胜）人类的。所以，不如先放下谁比谁强的比较，略微仔细地了解一下这个“神经网络”。

在机器学习领域，人工神经网络（ANN）是一个“全能”的算法选手，可以胜任几乎所有的学习任务：包括分类、数值预测，甚至某些无监督的模式识别（关于监督和无监督学习，后续文章讨论）。准确度相对高，在近几年的相关比赛中出镜率较高，基本上得分前几名的都是采用ANN算法。

ANN受到生物神经机能的启发，把数据看成神经信号，函数看成神经元，函数之间的数据输入输出看成神经元之间的“递质”传递，算法的调整看成神经元之间的反馈。虽然叫做神经网络，但是并不是模仿生物神经的具体机理，和前面谈到的KNN，决策树，回归等属于同一个层次的机器学习算法，只不过算法特点不同。

ANN的输入输出是明确、简单的数值（多数要求经过转换，数值在0~1之间），但是其计算过程极为复杂，可以理解为一个“黑箱”，所以，比较适合直接关注结果的问题解决，如果希望对规则有明确的解释，可以考虑决策树、回归之类的算法。(待续......)

注：图片来自网络