Możliwości sieci neuronowych ciągle są odkrywane. Ich zastosowanie w testowaniu może być bardzo szerokie. Od prostego badania zależności wejście-wyjście po analizowanie dużego zestawu danych w celu znalezienia wzorów funkcjonowania. Pośrednim zastosowaniem będzie pozyskiwanie wyroczni testowych, a ostatecznym rozwiązaniem może być samotestująca się aplikacja.
Sieć neuronowa to pewna struktura matematyczna i odpowiadający jej model, który realizuje obliczenia lub przetwarzanie sygnałów poprzez rzędy elementów, zwanych sztucznymi neuronami. Na sieci neuronowe składają się się neurony połączone ze sobą synapsami. Z synapsami związane są wagi, czyli wartości liczbowe, których interpretacja zależy od modelu. Czasami między sieciami i sztuczną inteligencją stawia się znak równości co nie do końca jest poprawne, gdyż sieci są jedynie podzbiorem sztucznej inteligencji.
Podstawą zrozumienia sieci jest jej podział, gdzie neurony wpadają do jednej z trzech warstw: wejściowej, ukrytej i wyjściowej.
Analiza dokonywana jest w oparciu o informacje wejściowe (ilość neuronów warstwy wejściowej), informacje wyjściowe (ilość neuronów warstwy wyjściowej), powiązanie między nimi oraz o wagi przypisane do synaps.
Przykładowo w najprostszym ujęciu możemy powiedzieć o równaniu liniowym: Y = 4.0 + (5.0 * X), gdzie X jest wejściem, a Y wyjściem.
Przykład bardziej rozbudowany znajdziecie na stronie [EN] http://msdn.microsoft.com/en-us/magazine/hh975375.aspx
Źródła:
Wikipedia: http://pl.wikipedia.org/wiki/Sie%C4%87_neuronowa
Książka Ryszarda Tadeusiewicza "Sieci neuronowe" http://winntbg.bg.agh.edu.pl/skrypty/0001
Wpis blogowy http://jamesmccaffrey.wordpress.com/2012/06/02/neural-networks