I. Introduction to Neural Networks

I. Introduction to Neural Networks
I. Supervised Learning
A. Introduction to Perceptron
Perceptron refers to a class of neural networks developed more than forty years ago. The
learning rule associated with it is a modification of an earlier algorithm called the Hebb
rule. A learning rule is a means of finding a suitable set of weights to match the input
patterns to their target outputs. The process is an iterative one in which the sequence of
patterns are presented to the network and the weights, initially set to zero or to random
values, are updated according to the particular rule used. The patterns are repeated until
the outputs match or are arbitrarily close to the target vales. The number of iterations is
referred to as training epochs.
The Perceptron algorithm is shown below. It assumes bipolar outputs and is based on the
rationale that by adding to or subtracting from each weight the product of the input and
target output values on the associated line, the outputs move in a direction toward their
target values.

Results (Thai) 2:

ฉันรู้เบื้องต้นเกี่ยวกับโครงข่ายประสาท
ครั้งที่หนึ่ง การเรียนรู้ภายใต้การควบคุม
เอ รู้เบื้องต้นเกี่ยวกับ Perceptron
Perceptron หมายถึงระดับของการพัฒนาเครือข่ายประสาทกว่าสี่สิบปีที่ผ่านมา
กฎการเรียนรู้ที่เกี่ยวข้องกับมันคือการเปลี่ยนแปลงของอัลกอริทึมที่เรียกว่าก่อนหน้านี้ Hebb
กฎ กฎการเรียนรู้วิธีการหาชุดที่เหมาะสมของน้ำหนักเพื่อให้ตรงกับการป้อนข้อมูล
รูปแบบเอาท์พุทเพื่อเป้าหมายของพวกเขา กระบวนการนี้เป็นกระบวนการหนึ่งที่ซ้ำในลำดับของ
รูปแบบที่นำเสนอไปยังเครือข่ายและน้ำหนัก, ตั้งค่าเริ่มต้นให้เป็นศูนย์หรือสุ่ม
ค่านิยมที่มีการปรับปรุงตามกฎโดยเฉพาะอย่างยิ่งที่ใช้ รูปแบบที่มีการทำซ้ำจนกว่า
ผลตรงหรือใกล้เคียงกับพลหุบผาเป้าหมาย จำนวนของการแสดงจะ
เรียกว่าการฝึกอบรม epochs.
ขั้นตอนวิธี Perceptron แสดงอยู่ด้านล่าง จะถือว่าเอาท์พุทสองขั้วและอยู่บนพื้นฐานของ
เหตุผลที่ว่าด้วยการเพิ่มหรือลดน้ำหนักจากแต่ละผลิตภัณฑ์ของอินพุทและ
เอาท์พุทค่าเป้าหมายในบรรทัดที่เกี่ยวข้องผลไปในทิศทางที่มีต่อพวกเขา
ค่าเป้าหมาย

Results (Thai) 3:

ผมแนะนำเครือข่ายประสาท
.
a การเรียนรู้แบบ Supervised Learning เบื้องต้น
ธรรมดาธรรมดาหมายถึงชั้นของโครงข่ายประสาทเทียมที่พัฒนากว่าสี่สิบปีที่ผ่านมา
การเรียนรู้กฎที่เกี่ยวข้องกับมันคือการแก้ไขขั้นตอนวิธีก่อนหน้านี้เรียกว่ากฎเฮบ

กฎการเรียนรู้เป็นวิธีการหาที่เหมาะสมสำหรับน้ำหนักเพื่อให้ตรงกับข้อมูล
รูปแบบเอาต์พุตเป้าหมายของพวกเขากระบวนการเป็นวิธีการหนึ่งซึ่งในลำดับ
รูปแบบถูกนำเสนอให้เครือข่ายและน้ำหนัก เริ่มตั้งศูนย์หรือสุ่ม
ค่า ที่มีการปรับปรุงตามกฎที่เฉพาะเจาะจงใช้ เป็นรูปแบบซ้ำจนกว่า
ผลผลิตราคาหรือโดยพลการใกล้ชิดกับเป้าหมาย vales . จํานวนซ้ำอยู่

เรียกว่า epochs การฝึกอบรมโดยวิธีธรรมดาที่แสดงอยู่ด้านล่าง มันถือว่ามีผลและตาม
เหตุผลที่โดยการเพิ่มหรือลบจากแต่ละน้ำหนักผลิตภัณฑ์ของอินพุตและเอาต์พุตเป้าหมาย
ค่าในที่บรรทัดให้ผลไปในทิศทางที่มีต่อค่า
เป้าหมายของพวกเขา