Wat is een Feedforward neuraal netwerk?
Een feedforward neuraal netwerk is een type neuraal netwerk waarbij de unit -verbindingen niet in een lus reizen, maar eerder op een enkel gericht pad. Dit verschilt van een terugkerend neuraal netwerk, waar informatie zowel vooruit als achteruit kan bewegen door het systeem. Een feedforward neuraal netwerk is misschien wel het meest voorkomende type neurale netwerk, omdat het een van de gemakkelijkst te begrijpen en te configureren is. Dit soort neurale netwerken worden gebruikt in datamining en andere studiegebieden waar voorspellend gedrag vereist is.
Een neuraal netwerk is een kunstmatig intelligentienetwerk dat is ontworpen om de "denkende" processen van een menselijk brein losjes te imiteren. Door gegevensreeksen in het netwerk te voeren, krijgt de computer de mogelijkheden om de patronen die erdoorheen stromen te "leren", waardoor deze antwoorden correct kan identificeren en trendanalyse kan geven. Ze worden gebruikt in taken waarbij een zekere mate van leren en patroonherkenning vereist is, zoals tijdens datamining. Data mining is gewoon de analyse van trends uit een verzameling van informatie, zoals de analyse van consumentenaankooptrends en progressies van de aandelenmarkt.
Informatie die door een Feedforward neuraal netwerk reist, gaat in de invoerlaag, reist door de verborgen laag en komt uit de buitenste laag van het netwerk en biedt de eindgebruiker een antwoord op hun vraag. Een invoerlaag is eenvoudig de plaats waar de gebruiker de onbewerkte gegevens of parameters van de informatie invoert. Het vlees van de transactie vindt plaats in de verborgen laag, waar de computer terugvalt op zijn "ervaring" van het verwerken van soortgelijke gegevens om een geschat antwoord te produceren. De informatie wordt door de uitvoerlaag geleid, waar een antwoord wordt verstrekt aan de eindgebruiker.
Een Feedforward neuraal netwerk wordt meestal efficiënter naarmate de eindgebruiker het meer en meer experimentele gegevens biedt. Net als calcuEen gemiddelde aanwijzingen, een nauwkeuriger resultaat zal worden bereikt door een breed aantal testgebeurtenissen te gebruiken. De kans om een "1" op een zeszijdige dobbelsteen te rollen is bijvoorbeeld 16.667 procent; Maar er is honderden of duizenden simulaties nodig voordat het berekende gemiddelde wordt bevestigd door het gebruik van gegevens uit de praktijk. Feedforward neurale netwerken zijn hetzelfde; Hun antwoorden zullen nauwkeuriger worden met tijd en ervaring.