由多层相互连接的节点（称为神经元）组成，神经网络通过使用大量数据的反复试验过程来学习输入和输出之间的关系，
递归神经网络（RNN）：该类型网络可以处理数据序列，例如语音或文本，通常用于自然语言处理和时间序列分析。
过度拟合：神经网络有时会过度拟合训练数据，这意味着它们变得过于专业化，在新数据上可能表现不佳。
图像识别。识别图片中的人物或物体。 被 Facebook 用于标记朋友、自动驾驶汽车以检测交通信号灯等。
预测。根据历史数据预测时间序列数据的未来值。 用于股价预测、销售预测等。
训练时间：训练神经网络可能非常耗时且计算量大，特别是对于大型数据集或复杂网络。
前馈神经网络（FNN）：该类型网络在单一方向上处理输入数据，从输入到输出，通常用于模式识别和分类。
在训练过程中，神经网络通过使用大量数据的训练过程调整神经元的权重和偏差，以最小化预测输出与实际输出之间的误差。
随着神经网络不断学习，它在模式识别和做出准确预测或决策方面会变得更好。
推荐系统。电子商务网站上的产品推荐通常基于神经网络。
预测。根据历史数据预测时间序列数据的未来值。 用于股价预测、销售预测等。
预测客户流失。识别可能停止使用某项服务的客户。
前馈神经网络（FNN）：该类型网络在单一方向上处理输入数据，从输入到输出，通常用于模式识别和分类。
训练时间：训练神经网络可能非常耗时且计算量大，特别是对于大型数据集或复杂网络。
机器人学。根据图像识别和传感器数据控制机器人的运动。
图像识别。识别图片中的人物或物体。 被 Facebook 用于标记朋友、自动驾驶汽车以检测交通信号灯等。
神经网络通过一系列相互连接的神经元层处理输入数据来工作。
神经网络通过一系列相互连接的神经元层处理输入数据来工作。