Waarom is dit belangrijk?
Dankzij deze benadering kunnen onderzoekers denkprocessen nabootsen die zich vanzelf aanpassen aan nieuwe voorbeelden. In de wetenschap groeide dat later uit tot diepe leermodellen en daarna tot grote taalmodellen. Op school en op het werk komen veel teksten daardoor uit systemen die lastig te doorgronden zijn, zodat een fout of een scheve uitkomst niet altijd goed uit te leggen is.
Zo werkt het in de praktijk
Aan het Cornell Aeronautical Laboratory van Cornell University trainde Frank Rosenblatt perceptrons, eenvoudige leernetwerken, om patronen te herkennen. Connectionistische netwerken herkennen ook gezichten en handschriften. In de geneeskunde sporen zij longknobbels en hartritmestoornissen op, en bij financiële analyse schatten zij het risico van een lening in.
In de neurowetenschap bootsen connectionistische netwerken gedrag en hersenmetingen na, een lijn die onderzoekers neuroconnectionisme noemen. Zij testen daarmee ideeën over hoe de hersenen informatie verwerken.
Training gebeurt vaak met backward propagation. Het model ziet het verschil tussen de echte en de gewenste uitkomst en past dan de gewichten in lagere lagen aan. Zulke netwerken heten ook parallel distributed processing (PDP), omdat zij informatie parallel verwerken.




