Supervised learning has been the ma

Supervised learning has been the mainstream of neural network model development and can be formulated as a nonlinear optimization problem, where the network parameters are the independent variables to be attuned, and an error measure acting as the dependent variable (dos Santos and Von Zuben, 2000). The network is trained (Figure 3.5) by providing it with input and desired outputs (“training set”). Here, the network is adjusted based on careful comparison of the output and the target until the network output matches the specified target. In this process, an output value is produced, and each observation from the training set is processed through the net-work. The output value is then compared to the actual value (target variable), and the prediction error is computed. Typically, neural network models measure this fit by the use of the mean square error (MSE) given by

Kết quả (Việt) 1:

Giám sát việc học tập đã là những dòng chính của mạng nơ-ron mô hình phát triển và có thể được xây dựng như là một vấn đề tối ưu hóa phi tuyến, các thông số mạng các biến độc lập để được hài hòa, và đâu là giải pháp lỗi đóng vai trò là biến phụ thuộc (dos Santos và Von Zuben, 2000). Mạng là được đào tạo (hình 3.5) bằng cách cung cấp nó với đầu ra đầu vào và mong muốn ("đào tạo đặt"). Ở đây, mạng lưới được điều chỉnh dựa trên so sánh cẩn thận của các đầu ra và mục tiêu cho đến khi đầu ra mạng phù hợp với mục tiêu được chỉ định. Trong quá trình này, một giá trị sản lượng sản xuất, và mỗi quan sát từ các thiết lập đào tạo được xử lý thông qua mạng lưới làm việc. Giá trị sản lượng sau đó được so sánh với giá trị thực tế (mục tiêu biến), và các lỗi dự đoán được tính. Thông thường, các mô hình mạng nơ-ron đo phù hợp này bằng cách sử dụng các lỗi có nghĩa là hình vuông (MSE) được đưa ra bởi

Kết quả (Việt) 2:

học giám sát đã được dòng chính của mô hình phát triển mạng lưới thần kinh và có thể được xây dựng như là một vấn đề tối ưu hóa phi tuyến, nơi mà các thông số mạng là các biến độc lập để được hài hòa, và là một biện pháp lỗi diễn xuất là biến phụ thuộc (dos Santos và Von Zuben, 2000 ). Mạng lưới này được đào tạo (hình 3.5) bằng cách cung cấp nó với đầu vào và đầu ra mong muốn ( "đào tạo tập"). Ở đây, mạng được điều chỉnh dựa trên so sánh cẩn thận của các đầu ra và mục tiêu cho đến khi sản lượng mạng phù hợp với các mục tiêu cụ thể. Trong quá trình này, một giá trị sản lượng được sản xuất, và mỗi quan sát từ tập huấn luyện được xử lý thông qua làm việc ròng. Giá trị sản lượng sau đó được so sánh với giá trị thực tế (biến mục tiêu), và các lỗi dự báo được tính toán. Thông thường, các mô hình mạng thần kinh đo phù hợp với điều này bằng việc sử dụng các lỗi bình phương trung bình (MSE) do