Una rete neurale feedforward è un tipo di rete neurale in cui le connessioni delle unità non viaggiano in un loop, ma piuttosto in un unico percorso diretto. Ciò differisce da una rete neurale ricorrente, in cui le informazioni possono spostarsi sia in avanti che indietro in tutto il sistema. Una rete neurale feedforward è forse il tipo più comune di rete neurale, in quanto è una delle più facili da comprendere e configurare. Questi tipi di reti neurali vengono utilizzati nel data mining e in altre aree di studio in cui è richiesto un comportamento predittivo.
Una rete neurale è una rete di intelligenza artificiale progettata per imitare vagamente i processi di “pensiero” di un cervello umano. Inserendo stringhe di dati nella rete, al computer viene data l’opportunità di “apprendere” i modelli che lo attraversano, consentendogli di identificare correttamente le risposte e fornire analisi delle tendenze. Vengono utilizzati in attività in cui è richiesto un certo grado di apprendimento e riconoscimento di modelli, ad esempio durante le operazioni di data mining. Il data mining è semplicemente l’analisi delle tendenze da una raccolta di informazioni, come l’analisi delle tendenze di acquisto dei consumatori e delle progressioni del mercato azionario.
Le informazioni che viaggiano attraverso una rete neurale feedforward entrano nello strato di input, viaggiano attraverso lo strato nascosto ed emergono dallo strato esterno della rete, fornendo all’utente finale una risposta alla sua domanda. Un livello di input è semplicemente il luogo in cui l’utente inserisce i dati grezzi oi parametri delle informazioni. Il cuore della transazione si svolge nello strato nascosto, dove il computer ricorre alla sua “esperienza” di gestione di dati simili per produrre una risposta stimata. Le informazioni vengono incanalate attraverso il livello di output, dove viene fornita una risposta all’utente finale.
Una rete neurale feedforward in genere diventa più efficiente man mano che l’utente finale le fornisce un numero sempre maggiore di dati sperimentali. Proprio come il calcolo di una media, si otterrà un risultato più accurato utilizzando un ampio numero di eventi di test. Ad esempio, la probabilità di ottenere un “1” su un dado a sei facce è del 16.667%; ma ci vorranno centinaia o migliaia di simulazioni prima che la media calcolata sia confermata attraverso l’uso di dati reali. Le reti neurali feedforward sono le stesse; le loro risposte diventeranno più accurate con il tempo e l’esperienza.