برای تحلیل و مدل سازی هر داده ای ابزارهای متنوعی وجود دارد از جمله مدل های رگرسیونی و مدل های بیزی و درخت های تصمیم و ... . یکی از به روزترین و دقیق ترین ابزار تحلیل داده ها استفاده از شبکه عصبی است. ما می توانیم شبکه عصبی را با توزیع های گسسته ای همچون پواسن ترکیب کنیم زیرا شبکه‌های عصبی به دلیل ساختار چندلایه‌ای خود قادر به یادگیری روابط غیرخطی میان ورودی‌ها و خروجی‌ها هستند. آنها می‌توانند حجم بالای داده‌ها را پردازش کرده و اطلاعات معنادار را استخراج کنند. شبکه‌های عصبی قادر به کار با انواع داده‌ها هستند. همچنین به طور مؤثری در وظایف پیش‌بینی و طبقه‌بندی داده‌ها مورد استفاده قرار می‌گیرند. به طور دقیق تر، در این طرح منفی تابع درستنمایی را به عنوان تابع زیان در شبکه عصبی پرسپترون چند لایه در نظر گرفته و در مرحله پس انتشار با استفاده از روش مشتقات نزولی، وزن های بهینه که همان پارامترهای تابع درستنمایی هستند را برآورد می کنیم.

کلمات کلیدی