Umělá nervová síť může rozvíjet zna

Umělá nervová síť může rozvíjet znalosti a získat nečekané překvapení v procesu implementace, což je její schopnost učení.Existují tři druhy vzdělávacích metod: kontrolované učení (pomocí značených údajů pro výcvik k předvídání neznámých značek pro klasifikaci nebo imitaci); nehlídané učení (použití neoznačených údajů pro výcvik, stanovení metod učení nebo některých pravidel, zatímco obsah specifického učení se liší podle vstupních signálů, automaticky objevující environmentální charakteristiky a pravidla, která jsou více podobná lidskému mozkuFunkce; učení pod částečným dohledem (výcvik s částečnými označenými a částečnými neoznačenými údaji).Pošleme všechny vstupy tréninkové sady do neurální sítě a oznámíme klasifikaci výstupu.Po spuštění tréninkové sady, podle těchto příkladů, neurální síť shrne své vlastní myšlenky o tom, jak vyvolat vlastnost černé skříňky.Pak neznámé klasifikační příklady v testovací sadě jsou testovány neurální sítí. Pokud přesnost výsledků test ů splňuje požadavky, neurální síť

Искусственная нейронная сеть может развивать знания и получить неожиданный сюрприз в процессе реализации, который является его способность учиться. Существует три типа методов обучения: контролируемое обучение (использование отмеченных данных обучения для прогнозирования неизвестных признаков классификации или имитации); неконтролируемое обучение (использование немаркированных данных для обучения, определение методов обучения или определенных правил, в то время как содержание конкретного обучения варьируется в зависимости от входных сигналов, автоматически открывая экологические характеристики и правила, которые больше похожи на человеческие мозгиФункции; обучение под частичным наблюдением (обучение с частичными отмеченными и частичными немаркированными данными). Мы отправим все входы в комплект обучения в нейронную сеть и объявим классификацию вывода. После запуска комплекта обучения, согласно этим примерам, нейронная сеть обобщает свои собственные мысли о том, как вызвать свойство черного ящика. Затем неизвестные примеры классификации в тестовом наборе тестируются нейронной сетью. Если точность результатов теста соответствует требованиям,

人工神经网络在实现过程中可以发展知识，获得意想不到的惊喜，这就是它的学习能力，有三种教育方法：控制学习（用标记数据训练，预测未知标记进行分类或模仿）；非计划学习（使用未标记的数据进行训练，确定学习方法或某些规则，而特定学习的内容根据输入信号而变化，自动出现与人脑功能更相似的环境特征和规则；部分监督学习（部分标记和部分未标记数据的训练）我们将训练集的所有输入发送到神经网络，并宣布输出的分类。在开始训练集之后，根据这些例子，神经网络将总结自己对此的想法，如何创建黑盒属性，然后用神经网络对测试集中未知的分类实例进行测试。如果测试结果的精度满足要求，神经网络<br>