components of the principal compone

components of the principal component analysis decomposition
(here, acting as a filter) of the data set
within the training region. A network of three neurons
was trained repeatedly on multiple examples until a
minimal error was achieved. Following training, the
network was presented with the data set collected on
the whole area shown in Figure 7c and it correctly
identified both of the bacterial species. Interestingly,
other topographical features, distinct from the substrate,
were classified as background, which identifies
them as non-bacterial debris. However, a small relatively
flat region (right upper corner in Figure 7c) was
classified as M. lysodeikticus, implying that this region
could be covered in a membrane of lysed bacteria of
that species. Thus, supervised learning presents a powerful
image recognition tool that can identify objects based
on a small subset of information provided in the training
set. Even though successful neural network operation
requires extensive training for accuracy, the computational
cost during operation is infinitesimal. The illustrated
example was computed on a typical user desktop
without additional high-end components or computational
clusters. Similarly, neural network approaches
can be extended to training on theoretical model outputs,
with the experimental results presented for analysis. Examples
include functional fits to relaxation parameters
[71] or Ising model simulations [72,73].
Deep learning
In this section, we discuss the pathways to establish correspondence
between statistical analysis and a physical

ผลลัพธ์ (ไทย) 1:

ส่วนประกอบของการย่อยสลายการวิเคราะห์ส่วนประกอบหลัก(นี่ ทำหน้าที่เป็นตัวกรอง) ของชุดข้อมูลภายในพื้นที่การฝึกอบรม เครือข่ายของเซลล์ประสาท 3ฝึกทักษะซ้ำ ๆ ในหลาย ๆ ตัวอย่างจนถึงการเกิดข้อผิดพลาดน้อยที่สุด ต่อการฝึกอบรม การเสนอชุดของข้อมูลเก็บรวบรวมบนเครือข่ายพื้นที่ทั้งหมดที่แสดงในรูป 7c และอย่างถูกต้องระบุทั้งสองของสายพันธุ์เชื้อแบคทีเรีย น่าสนใจคุณลักษณะอื่น ๆ ของภาพภูมิประเทศ แตกต่างจากพื้นผิวถูกจัดประเภทเป็นพื้นหลัง ซึ่งระบุพวกเขาเป็นเศษไม่ใช่แบคทีเรีย อย่างไรก็ตาม ขนาดเล็กค่อนข้างภูมิภาคแบน (มุมบนขวาในรูปที่ 7 c)จัดเป็น M. lysodeikticus กล่าวคืออยู่อาจที่ภูมิภาคนี้สามารถครอบคลุมในเมมเบรนของแบคทีเรีย lysed ของสายพันธ์ที่ เรียนรู้ดูแลจึงมีประสิทธิภาพมือการรู้รูปภาพที่สามารถระบุวัตถุที่ใช้ในชุดย่อยขนาดเล็กของข้อมูลในการฝึกอบรมตั้งค่า แม้การดำเนินการประสบความสำเร็จแม้ว่าโครงข่ายประสาทต้องการอบรมเพื่อความถูกต้อง การคำนวณค่าใช้จ่ายระหว่างการทำงานเป็นเล็ก การแสดงตัวอย่างที่ถูกคำนวณบนเดสก์ท็อปของผู้ใช้ทั่วไปไม่ มีส่วนประกอบเพิ่มเติมระดับไฮเอนด์ หรือคำนวณคลัสเตอร์ ในทำนองเดียวกัน วิธีโครงข่ายประสาทสามารถขยายการฝึกอบรมในรูปแบบทฤษฎีผลกับผลการทดลองที่แสดงการวิเคราะห์ ตัวอย่างรวมถึงเหมาะกับงานพักผ่อนพารามิเตอร์[71] หรือจำลองแบบ Ising [72,73]เรียนรู้ลึกในส่วนนี้ เรากล่าวถึงเส้นทางสู่สร้างการโต้ตอบการวิเคราะห์ทางสถิติและทางกายภาพ

ผลลัพธ์ (ไทย) 2:

ส่วนประกอบของการวิเคราะห์การสลายตัวขององค์ประกอบหลัก
(ที่นี่ทำหน้าที่เป็นตัวกรอง) ของข้อมูลที่ตั้ง
อยู่ในภูมิภาคที่การฝึกอบรม เครือข่ายในสามของเซลล์ประสาทที่
ได้รับการฝึกฝนซ้ำ ๆ ในตัวอย่างที่หลาย ๆ จนกว่าจะมี
ข้อผิดพลาดน้อยที่สุดก็ประสบความสำเร็จ ต่อไปนี้การฝึกอบรม
เครือข่ายถูกนำเสนอด้วยชุดข้อมูลที่รวบรวมไว้ใน
พื้นที่ทั้งหมดที่แสดงในรูป 7C และมันอย่างถูกต้อง
ระบุทั้งสองสายพันธุ์ของเชื้อแบคทีเรีย ที่น่าสนใจ
ภูมิประเทศอื่น ๆ แตกต่างจากพื้นผิวที่
ถูกจัดให้เป็นพื้นหลังซึ่งระบุ
พวกเขาเป็นเศษเล็กเศษน้อยที่ไม่ใช่แบคทีเรีย แต่มีขนาดเล็กค่อนข้าง
ภูมิภาคแบน (มุมบนขวาในรูป 7C) ได้รับการ
จัดให้เป็นเอ็ม lysodeikticus หมายความว่าภูมิภาคนี้
จะได้รับการคุ้มครองในเยื่อหุ้มเซลล์ของแบคทีเรีย lysed ของ
สายพันธุ์ที่ ดังนั้นการเรียนรู้ภายใต้การดูแลนำเสนอที่มีประสิทธิภาพ
ภาพเครื่องมือการรับรู้ที่สามารถระบุวัตถุตาม
ในกลุ่มย่อยเล็ก ๆ ของข้อมูลที่ให้ไว้ในการฝึกอบรม
ชุด แม้ว่าการดำเนินงานเครือข่ายประสาทที่ประสบความสำเร็จ
ต้องมีการฝึกอบรมเพื่อความถูกต้องในการคำนวณ
ค่าใช้จ่ายในระหว่างการดำเนินการเป็นเล็ก ภาพ
ตัวอย่างคำนวณบนเดสก์ทอปของผู้ใช้ทั่วไป
โดยไม่ต้องส่วนประกอบระดับ high-end เพิ่มเติมหรือการคำนวณ
กลุ่ม ในทำนองเดียวกันวิธีเครือข่ายประสาท
สามารถขยายไปยังผลการฝึกอบรมในรูปแบบทฤษฎี
กับผลการทดลองที่นำเสนอสำหรับการวิเคราะห์ ตัวอย่าง
ได้แก่ เหมาะกับการทำงานเพื่อการผ่อนคลายพารามิเตอร์
[71] หรือ Ising การจำลองรูปแบบ [72,73].
การเรียนรู้ลึก
ในส่วนนี้เราจะหารืออย่างทุลักทุเลในการสร้างการติดต่อ
ระหว่างการวิเคราะห์ทางสถิติและทางกายภาพ

ผลลัพธ์ (ไทย) 3:

องค์ประกอบของการวิเคราะห์องค์ประกอบหลักการย่อยสลาย( ตรงนี้ ทำหน้าที่เป็นตัวกรอง ) ของชุดข้อมูลในการฝึกภาค เครือข่ายสามเซลล์ประสาทฝึกซ้ำๆในหลายตัวอย่างจนกระทั่งข้อผิดพลาดน้อยที่สุด คือ ความ ต่อไปนี้การฝึกอบรมเครือข่ายที่นำเสนอกับชุดข้อมูลที่รวบรวมในพื้นที่ทั้งหมดที่แสดงในรูปที่ 5 และมันได้อย่างถูกต้องระบุทั้งชนิดของแบคทีเรีย น่าสนใจลักษณะภูมิประเทศอื่น ๆ , แตกต่างจากตั้งต้นถูกจัดให้เป็นฉากหลัง ซึ่งระบุเป็นแบคทีเรียไม่ใช่เศษ อย่างไรก็ตาม ค่อนข้างเล็กเขตแบน ( มุมบนขวา ในรูปที่ 5 )แบ่งเป็น ม. lysodeikticus , implying ที่ภูมิภาคนี้อาจจะครอบคลุมในเยื่อหุ้มเซลล์ของแบคทีเรีย lysedที่ชนิด ดังนั้น การเรียนรู้ การเสนอที่มีประสิทธิภาพภาพเครื่องมือที่ได้รับการยอมรับว่าสามารถระบุวัตถุตามเมื่อย่อยขนาดเล็กของข้อมูลที่ให้ไว้ในการฝึกอบรมชุด ถึงแม้ว่าความสำเร็จการดำเนินงานเครือข่ายประสาทต้องมีการฝึกอบรมที่กว้างขวางเพื่อความถูกต้อง , คอมพิวเตอร์ค่าใช้จ่ายในการผ่าตัดเป็นทุนมนุษย์ . ภาพประกอบตัวอย่างการคำนวณบนเดสก์ทอปของผู้ใช้ทั่วไปไม่มีส่วนประกอบคุณภาพสูง เพิ่มเติม หรือ การคำนวณกลุ่ม โดยวิธีโครงข่ายประสาทเทียมสามารถขยายผลรูปแบบการฝึกอบรมเชิงทฤษฎีกับผลการทดลองที่นำเสนอสำหรับการวิเคราะห์ ตัวอย่างรวมถึงการทำงาน เหมาะกับการพักผ่อน พารามิเตอร์[ 71 ] หรือการโฆษณารูปแบบจำลอง [ 72,73 ]เรียนลึกในส่วนนี้เราจะหารือถึงแนวทางการสร้างจดหมายระหว่างการวิเคราะห์ทางสถิติและทางกายภาพ