Co je to dopředná neuronová síť?
Hodnotelná neuronová síť je typ neuronové sítě, kde připojení jednotek necestují ve smyčce, ale spíše v jedné směrované cestě. To se liší od opakující se neuronové sítě, kde se informace mohou pohybovat vpřed i dozadu v celém systému. Hodná neuronová síť je možná nejběžnějším typem neuronové sítě, protože je jedním z nejjednodušších porozumět a konfigurovat. Tyto typy neuronových sítí se používají v dolování dat a dalších oblastech studia, kde je nutné prediktivní chování.
Neuronová síť je síť umělé inteligence navržená tak, aby volně napodobovala procesy „myšlení“ lidského mozku. Krháním řetězců dat do sítě je počítač dán příležitostí „naučit se“ vzory, které protékají, a umožnit jim správně identifikovat odpovědi a poskytnout analýzu trendů. Používají se v úkolech, kde je vyžadován určitý stupeň učení a rozpoznávání vzorů, například během operací těžby dat. Data minING je jednoduše analýza trendů ze sbírky informací, jako je analýza trendů nákupu spotřebitelů a progresí akciového trhu.
Informace projíždějící pomocí dopředné neuronové sítě přecházejí do vstupní vrstvy, procházejí skrytou vrstvou a vycházejí z vnější vrstvy sítě a poskytují koncovému uživateli odpověď na jejich dotaz. Vstupní vrstva je jednoduše místem, kde uživatel zadá surová data nebo parametry informací. Maso transakce se odehrává ve skryté vrstvě, kde počítač spadne zpět na „zkušenost“ s řešením podobných dat, aby vytvořil odhadovanou odpověď. Informace jsou provedeny přes výstupní vrstvu, kde je odpověď poskytnuta zpět koncovému uživateli.
Hodnotelná neuronová síť se obvykle stává efektivnější, protože koncový uživatel jí poskytuje stále více experimentálních dat. Stejně jako CalcuPrůměrně bude dosaženo přesnějšího výsledku z používání velkého počtu testovacích událostí. Například pravděpodobnost válcování „1“ na šestistrannou matrici je 16,667 procenta; Než bude vypočítaný průměr potvrzen pomocí údajů z reálného světa, bude to však trvat stovky nebo tisíce simulací. Sursion Neural Networks jsou stejné; Jejich reakce se stanou přesnějšími s časem a zkušenostmi.