Was ist ein neuronales Feedforward -Netzwerk?
Ein neuronales Netzwerk von Feedforward ist eine Art neuronaler Netzwerk, in dem die Einheitenverbindungen nicht in einer Schleife, sondern in einem einzigen gerichteten Pfad fahren. Dies unterscheidet sich von einem wiederkehrenden neuronalen Netzwerk, in dem Informationen im gesamten System nach vorne und rückwärts bewegen können. Ein Neuralnetzwerk für Feedforward ist möglicherweise die häufigste Art des neuronalen Netzwerks, da es eines der am einfachsten zu verstehen und konfiguriert ist. Diese Arten von neuronalen Netzwerken werden im Data Mining und in anderen Studienbereichen verwendet, in denen Vorhersageverhalten erforderlich ist.
Ein neuronales Netzwerk ist ein Netzwerk für künstliche Intelligenz, das die "Denken" -Prozesse eines menschlichen Gehirns locker nachahmt. Durch die Fütterung von Datenzeichenfolgen in das Netzwerk hat der Computer die Möglichkeit, die durch das Durchfließen von Mustern zu "lernen", sodass er korrekt Antworten identifiziert und Trendanalyse bereitstellt. Sie werden in Aufgaben verwendet, bei denen ein gewisses Maß an Lern- und Mustererkennung erforderlich ist, z. B. während der Data -Mining -Operationen. Data MinING ist einfach die Analyse von Trends aus einer Sammlung von Informationen, wie die Analyse von Trends für Verbraucher und Börsenmärkte.
Informationen, die durch ein neuronales Netzwerk in Feedforward reisen, gehen in die Eingabebereich, bewegt sich durch die verborgene Ebene und entsteht aus der äußeren Ebene des Netzwerks, wodurch der Endbenutzer eine Antwort auf seine Abfrage liefert. Eine Eingabebereich ist einfach der Ort, an dem der Benutzer die Rohdaten oder Parameter der Informationen eingibt. Das Fleisch der Transaktion findet in der versteckten Ebene statt, in der der Computer auf seine "Erfahrung" zurückreicht, ähnliche Daten zu behandeln, um eine geschätzte Antwort zu erzielen. Die Informationen werden über die Ausgangsschicht geleitet, wobei der Endbenutzer eine Antwort zurückgibt.
Ein Neuralnetzwerk mit Feedforward wird in der Regel effizienter, da der Endbenutzer es immer mehr experimentelle Daten zur Verfügung stellt. Ähnlich wie CalcuEin durchschnittlicher Durchschnitt wird ein genaueres Ergebnis durch die Verwendung einer Vielzahl von Testereignissen erzielt. Zum Beispiel beträgt die Wahrscheinlichkeit, ein "1" auf eine sechsseitige Würfel zu rollen, 16,667 Prozent; Es dauert jedoch Hunderte oder Tausende von Simulationen, bevor der berechnete Durchschnitt durch die Verwendung realer Daten bestätigt wird. Die neuronalen Feedforward -Netzwerke sind gleich; Ihre Antworten werden mit Zeit und Erfahrung genauer.