一个成功构建的人造神经网络产生了神奇的结果，大大有助于提供可能的解决方案。

　　“任何足够先进的技术与魔术没有区别。”-ArthurC.Clarke

　　大数据的概念在这里留下来。此外，随着技术进步和计算能力以及计算速度的提高，数据分析师将能够对从原始数据导出的统计信息类型、口径和质量进行改进。

　　换句话说，数据科学家可以从扫描的文档、录音、社交媒体、网站统计以及远程信息处理中提取、转换、加载(ETL)和分析大量的数据。

　　1.机器学习和预测分析

　　如上所述，经历ETL处理过程并被加载到数据仓库中的数据可以用于各种功能。更受欢迎的应用之一是建立一个预测分析模型或一个神经网络，以回答有关未来的问题。这些情况或问题取决于利用神经网络提供预测分析的行业。

　　在我们看一个神经网络如何应用于根据现有数据提供预测信息的实际例子之前，让我们先来定义“机器学习”，“预测分析”和“神经网络”这几个术语：

　　机器学习

　　Reema Bhatia将机器学习定义为“计算机程序分析大数据、自动提取信息并从中学习的能力”。大量的数据正在比以往任何时候都更快地生成，因此，无法再手动分析数据。于是，机器学习已经成为分析日常生成的大量数据的重要角色。

　　预测分析

　　预测分析是“从现有数据集中提取信息的做法，以确定模式并预测未来的结果和趋势”。重要的是要注意，预测分析的目的不是说明将来会发生什么，它预测的是“可接受的可靠性水平”可能发生的情况，并包括假设情景和风险评估。

　　神经网络

　　简单来说，神经网络或人工神经网络是“由多个简单、互联的处理元件组成的计算系统”，其通过对外部输入的动态状态响应来处理信息。

　　它是一种深度学习技术，当在企业业务中被使用时，往往侧重于使用模式识别方法来解决复杂的预测分析问题。神经网络模型也被用于天气预报、面部识别、石油勘探数据分析和文本转语音转录等领域。

　　应当指出的是，对于神经网络模式识别模型来说，尽可能准确地预测或预知未来趋势，需要大量的数据来训练模型。

　　2.神经网络模式识别模型

　　如上所述，人造神经网络与人类大脑相似，因为它是由连接有链接或突触的节点集合(也被称为神经元)构成的。

　　此外，神经网络的组织被分成三层：输入层、数字隐藏层(或内层)以及输出层。隐藏层是必要的，以便了解复杂的输入数据。实质上，输入数据越复杂，了解数据和产生有价值的输出所需的隐藏层数越多。

　　每个隐藏层中节点数的多少也取决于数据的复杂度。每个节点实际上是一个加权，它决定输入相对于输出的强度。为了根据节点的加权因子计算输出，所有输入变量都需要由数值数据组成。无法使用文本或分类数据。

　　由于神经网络计算的复杂性，我们将不再详细介绍。我们需要理解的是，构建模型的一部分是使用已知输出数据来测试它，以确定它是否产生了正确的结果。

　　一旦建立了模型，下一步是使用现有数据来对模型进行训练。一旦模型被训练，最后一步是使用实时数据运行它，并允许它使用模式识别作为基础来预测或预知未来趋势。