Neural networks are difficult to de

Neural networks are difficult to design. One must determine the optimal number of nodes, hidden layers, sigmoid function, etc.
Neural networks are diffcult to model analytically because a small change in a single input will affect the entire network.
The operation of neural networks is limited to the training process. If the network is trained poorly, then it will operate poorly and the outputs cannot be guaranteed.
There is a great computational burden associated with neural networks.
Neural networks require a large sample size in order to empirically fit data.
Neural networks have a “black box” nature. Therefore, errors within the complex network are difficult to target.
Outside of their data training range, neural networks are unpredictable. This occurs because neural networks may "overfit" data. For instance, during training, a neural network may fit a 10th order polynomial to only 5 data points. When using this model to make predictions of values outside this 5-point range, the neural network behaves unpredictably.

Kết quả (Việt) 1:

Mạng nơ-ron là khó khăn để thiết kế. Một phải xác định số tối ưu của các nút, ẩn lớp, xích-ma chức năng, vv. Mạng nơ-ron là diffcult để mô hình phân tích vì một thay đổi nhỏ trong một đầu vào duy nhất sẽ ảnh hưởng đến toàn bộ mạng. Các hoạt động của mạng nơ-ron là giới hạn đối với quá trình đào tạo. Nếu mạng được đào tạo kém, sau đó nó sẽ hoạt động kém và kết quả đầu ra không được đảm bảo. Đó là một gánh nặng tính toán tuyệt vời liên quan đến mạng nơ-ron. Mạng nơ-ron yêu cầu một kích thước lớn mẫu để empirically phù hợp với dữ liệu. Mạng nơ-ron đã có tính chất "hộp đen". Vì vậy, lỗi trong mạng lưới phức tạp là khó khăn để mục tiêu. Bên ngoài phạm vi đào tạo dữ liệu của họ, mạng nơ-ron là không thể đoán trước. Điều này xảy ra vì mạng nơ-ron có thể "overfit" dữ liệu. Ví dụ, trong đào tạo, một mạng lưới thần kinh có thể phù hợp với một đơn đặt hàng 10 đa thức để điểm dữ liệu chỉ có 5. Khi sử dụng mô hình này để làm cho dự đoán của các giá trị bên ngoài phạm vi 5-điểm này, mạng nơ-ron ứng xử unpredictably.

Kết quả (Việt) 2:

Mạng lưới thần kinh rất khó để thiết kế. Người ta phải xác định số lượng tối ưu của các nút, lớp ẩn, hàm sigmoid, vv
mạng Neural là diffcult để mô hình phân tích vì một sự thay đổi nhỏ trong một đĩa đơn đầu vào sẽ ảnh hưởng đến toàn bộ mạng.
Các hoạt động của mạng lưới thần kinh được giới hạn trong quá trình đào tạo. Nếu mạng được đào tạo kém, sau đó nó sẽ hoạt động kém và kết quả đầu ra không thể được đảm bảo.
Có một gánh nặng tính toán tuyệt vời kết hợp với mạng nơron.
mạng Neural yêu cầu một kích thước mẫu lớn để thực nghiệm dữ liệu phù hợp.
mạng Neural có một "màu đen hộp "thiên nhiên. Do đó, các lỗi trong mạng lưới phức tạp rất khó để nhắm mục tiêu.
Bên ngoài phạm vi đào tạo dữ liệu của họ, các mạng thần kinh là không thể đoán trước. Điều này xảy ra bởi vì các mạng thần kinh có thể "overfit" dữ liệu. Ví dụ, trong quá trình đào tạo, một mạng lưới thần kinh có thể phù hợp với một trật tự đa thức thứ 10 với chỉ 5 điểm dữ liệu. Khi sử dụng mô hình này để đưa ra dự đoán của các giá trị này bên ngoài phạm vi 5 điểm, các mạng nơron ứng xử không thể lường trước.