Neural networks are computational methods inspired by biological neurons that learn patterns from data to improve climate models, analyze particle collisions, and study cellular behavior.بطاقة تلو الأخرى، أسد تلو الآخر، حمار وحشي تلو الآخر — آلاف الأمثلة تمر عبر الشبكة. كل طبقة من العصبونات الاصطناعية (Artificial Neurons) تستخلص سمات أكثر تجريدًا: أولاً تلتقط الحواف والخطوط، ثم تجمعها في أجزاء الوجه، ثم في صورة كاملة. الطبقة النهائية تُصدر الإجابة — تقريبًا كما ينظر الطفل إلى الأذنين والشاربين والذيل ليقول «قطة».
يعود مفهوم العصبون الاصطناعي إلى أعمال وارن مكولوك ووالتر بيتس (1943) اللذين اقترحا نموذجًا رياضيًا للعصبون. وفي عام 1958، ابتكر فرانك روزنبلات البيرسيبترون (Perceptron) — أول شبكة عصبية قابلة للتعلم. لكن بعد نقد مارفن مينسكي وسيمور بابيرت في عام 1969، خبا الاهتمام. بدأ الانبعاث في الثمانينيات مع تطوير الشبكات متعددة الطبقات وخوارزمية الانتشار العكسي (ديفيد روملهارت وآخرون). وفي العقد الأول من القرن الحادي والعشرين، أدى توفر البيانات الضخمة وحوسبة وحدات معالجة الرسوميات (GPU) إلى التعلم العميق (Deep Learning).
تمر الإشارة المدخلة عبر الطبقات: يحسب كل عصبون المجموع الموزون للمدخلات، ويضيف الانحياز، ويطبّق دالة تنشيط غير خطية مثل ReLU أو السينيّة وغيرها. ويُقلّل التعلم دالة الخسارة بالانحدار التدريجي؛ وتُحسب التدرجات بطريقة الانتشار العكسي للخطأ — من الخرج إلى المدخل، وفق قاعدة السلسلة للمشتقات.
التعرّف على الوجوه في الصور، المساعدات الصوتية، التنبؤ بالطقس.
في عام 2012، تفوقت شبكة AlexNet على الإنسان لأول مرة في مسابقة التعرف على الصور — حينها اتضح أن عصر التعلم العميق (Deep Learning) قد بدأ.




















