= the output of the presynaptic neu

= the output of the presynaptic neuron, xi = the output of the postsynaptic neuron, wij = the strength of the connection between the presynaptic and postsynaptic neurons, and r = the learning rate. Fundamentally, the learning rate is used to adjust the size of the weight changes. If r is too small, the algorithm will take extended time to converge. Conversely, if r is too large, the algorithm diverges about the error surface (Figure 3.4). Determining the appropriate learning rate is typically achieved through a series of trial and error experiments. Hebbian learning applies to both supervised and unsupervised learning with discussion provided in subsequent sections. A detailed discussion on Hebbian errors in learning, and the Oja modification (Oja, 1982), can be found in a number of dedicated sources provided in the
literature (e.g., Rădulescu et al., 2009).

Kết quả (Việt) 1:

= đầu ra của tế bào thần kinh presynaptic, xi = đầu ra của tế bào thần kinh postsynaptic, wij = sức mạnh của sự kết nối giữa các tế bào thần kinh presynaptic và postsynaptic, và r = tỷ lệ học tập. Về cơ bản, tỷ lệ học tập được sử dụng để điều chỉnh kích thước của những thay đổi trọng lượng. Nếu r là quá nhỏ, thuật toán sẽ mất thời gian dài để hội tụ. Ngược lại, nếu r là quá lớn, các thuật toán diverges về bề mặt lỗi (hình 3.4). Việc xác định tỷ giá thích hợp học tập thường đạt được thông qua một loạt các thí nghiệm thử nghiệm và báo lỗi. Học tập Hebbian áp dụng cho giám sát và không có giám sát học tập với các cuộc thảo luận được cung cấp trong phần tiếp theo. Một cuộc thảo luận chi tiết về các lỗi Hebbian trong học tập, và sửa đổi Oja (Oja, 1982), có thể được tìm thấy trong một số chuyên dụng nguồn cung cấp trong các văn học (ví dụ: Rădulescu et al., 2009).

Kết quả (Việt) 2:

= Đầu ra của nơron trước synap, xi = đầu ra của các tế bào thần kinh sau synap, wij = sức mạnh của sự kết nối giữa các tế bào thần kinh trước synap và sau synap, và r = tỷ lệ học. Về cơ bản, tỷ lệ học được sử dụng để điều chỉnh kích thước của những thay đổi trọng lượng. Nếu r là quá nhỏ, các thuật toán sẽ mất thời gian dài để hội tụ. Ngược lại, nếu r là quá lớn, các thuật toán phân kỳ về mặt lỗi (Hình 3.4). Xác định tỷ lệ học tập thích hợp thường đạt được thông qua một loạt các thí nghiệm thử và sai. Học tập Hebbian áp dụng cho cả học có giám sát và không giám sát với cuộc thảo luận được cung cấp trong các phần tiếp theo. Một cuộc thảo luận chi tiết về lỗi Hebbian trong học tập, và việc sửa đổi Oja (Oja, 1982), có thể được tìm thấy trong một số nguồn chuyên cung cấp trong
văn học (ví dụ, Rădulescu et al., 2009).