Much research has been directed at

Much research has been directed at finding better ways of helping machines learn from examples. When
domain knowledge in a particular area is weak, solutions can be expensive, time consuming and even impossible
to derive using traditional programming techniques.
In such cases, neural networks can be used as tools to make reasonable solutions possible or good solutions
more economical. Such an automated solution is often more accurate than a hard-coded program, because it
learns from actual data instead of making assumptions about the problem. It often can adapt as the domain
changes and often takes less time to find a good solution than a programmer would. In addition, inductive
learning solutions may generalize well to unforeseen circumstances.
Radial Basis Function (RBF) networks [1][13][15] have received much attention recently because they
provide accurate generalization on a wide range of applications, yet can often be trained orders of magnitude
faster [7] than other models such as backpropagation neural networks [8] or genetic algorithms [9].
Radial basis function networks make use of a distance function to find out how different two input
vectors are (one being presented to the network and the other stored in a hidden node). This distance function
is typically designed for numeric attributes only and is inappropriate for nominal (unordered symbolic)
attributes.

ผลลัพธ์ (ไทย) 1:

วิจัยมากได้รับคำแนะนำในการค้นหาวิธีที่ดีกว่าเครื่องช่วยเรียนรู้จากตัวอย่าง เมื่อเพิ่มโดเมนในพื้นที่เฉพาะเป็นอ่อน โซลูชั่นสามารถแพง ใช้เวลานาน และเป็นไปไม่ได้เพื่อมาใช้เทคนิคการเขียนโปรแกรมแบบดั้งเดิมในกรณี เครือข่ายประสาทสามารถใช้เป็นเครื่องมือเพื่อให้แก้ไขปัญหาได้ หรือดีโซลูชั่นที่เหมาะสมประหยัดมากขึ้น เช่นการแก้ไขปัญหาอัตโนมัติอยู่มักจะแม่นยำกว่าโปรแกรมตาย เนื่องจากมันเรียนรู้จากข้อมูลจริงแทนสมมติฐานเกี่ยวกับปัญหา มันมักจะสามารถปรับเปลี่ยนโดเมนเปลี่ยนแปลง และมักจะใช้เวลาหาทางออกดีกว่าจะเป็นโปรแกรมเมอร์ นอกจากนี้ เหนี่ยวเรียนรู้วิธีแก้ไขปัญหาอาจเมดีกับสถานการณ์ที่ไม่คาดฝันเครือข่ายพื้นฐานฟังก์ชัน (RBF) รัศมี [1] [13] [15] ได้รับความสนใจมากเมื่อเร็ว ๆ นี้เนื่องจากพวกเขาให้ generalization ที่ถูกต้องในโปรแกรมประยุกต์ที่หลากหลาย ยังอาจฝึกอันดับของขนาดเร็วขึ้น [7] กว่ารุ่นอื่น ๆ เช่นเครือข่ายประสาท backpropagation [8] หรืออัลกอริทึมทางพันธุกรรม [9]ทำให้เครือข่ายฟังก์ชันฐานรัศมีใช้งานห่างจากที่พักเพื่อหาสองอินพุตแตกต่างเวกเตอร์มี (หนึ่งกำลังแสดงเครือข่ายและอื่น ๆ เก็บในโหนซ่อน) ฟังก์ชันนี้ห่างจากที่พักโดยทั่วไปออกแบบมาสำหรับคุณลักษณะเฉพาะตัว และเหมาะสมสำหรับว่ายอม (นำสัญลักษณ์)แอตทริบิวต์

ผลลัพธ์ (ไทย) 2:

การวิจัยจำนวนมากได้รับการกำกับที่การหาวิธีการที่ดีขึ้นของเครื่องช่วยให้เรียนรู้จากตัวอย่าง เมื่อความรู้ในพื้นที่โดยเฉพาะอย่างยิ่งอ่อนแอแก้ปัญหาอาจมีราคาแพงใช้เวลานานและเป็นไปไม่ได้ที่จะได้รับโดยใช้เทคนิคการเขียนโปรแกรมแบบดั้งเดิม. ในกรณีดังกล่าวเครือข่ายประสาทสามารถใช้เป็นเครื่องมือที่จะทำให้การแก้ปัญหาที่เหมาะสมเป็นไปได้หรือการแก้ปัญหาที่ดีประหยัดมากขึ้น เช่นวิธีการแบบอัตโนมัติมักจะถูกต้องมากขึ้นกว่าโปรแกรมตายตัวเพราะมันเรียนรู้จากข้อมูลจริงแทนการคาดเดาเกี่ยวกับปัญหาที่เกิดขึ้น มันมักจะสามารถปรับตัวเข้าเป็นโดเมนการเปลี่ยนแปลงและมักจะใช้เวลาน้อยที่จะหาทางออกที่ดีกว่าโปรแกรมเมอร์จะ นอกจากนี้อุปนัยโซลูชั่นการเรียนรู้อาจจะคุยกันกับสถานการณ์ที่ไม่คาดคิด. ฟังก์ชั่นพื้นฐาน Radial (RBF) เครือข่าย [1] [13] [15] ได้รับความสนใจมากเมื่อเร็ว ๆ นี้เพราะพวกเขาให้การทั่วไปที่ถูกต้องเกี่ยวกับความหลากหลายของการใช้งานแต่มักจะคำสั่งซื้อที่ได้รับการฝึกฝนของขนาดได้เร็วขึ้น [7] กว่ารุ่นอื่น ๆ เช่น backpropagation เครือข่ายประสาท [8] หรือขั้นตอนวิธีพันธุกรรม [9]. เครือข่ายฟังก์ชั่นพื้นฐาน Radial ทำให้การใช้งานฟังก์ชั่นระยะไกลเพื่อหาวิธีการที่แตกต่างกันสองการป้อนข้อมูลเวกเตอร์เป็น(อย่างใดอย่างหนึ่งที่จะถูกนำเสนอให้กับ เครือข่ายและอื่น ๆ ที่เก็บไว้ในโหนดซ่อน) ฟังก์ชั่นระยะนี้ได้รับการออกแบบโดยทั่วไปสำหรับคุณลักษณะที่เป็นตัวเลขเท่านั้นและไม่เหมาะสมกับชื่อ (เรียงลำดับสัญลักษณ์) คุณลักษณะ

ผลลัพธ์ (ไทย) 3:

วิจัยมากได้มุ่งเน้นไปที่การหาวิธีที่ดีกว่าช่วยให้เครื่องเรียนรู้จากตัวอย่าง เมื่อ
ความรู้โดเมนในพื้นที่เฉพาะ อ่อนแอ โซลูชั่นที่สามารถจะแพง และเวลานานแม้เป็นไปไม่ได้
มาใช้เทคนิคการเขียนโปรแกรมแบบดั้งเดิม .
ในบางกรณี โครงข่ายประสาทเทียมสามารถใช้เป็นเครื่องมือเพื่อให้โซลูชั่นที่เหมาะสมที่สุดหรือโซลูชั่นที่ดี
ประหยัดมากขึ้นเช่นสารละลายอัตโนมัติมักถูกต้องมากกว่าหนักเข้าโปรแกรมเพราะ
เรียนรู้จากข้อมูลที่แท้จริง แทนที่จะทำให้สมมติฐานเกี่ยวกับปัญหา มันมักจะสามารถดัดแปลงให้เป็นโดเมน
เปลี่ยนแปลงและมักจะใช้เวลาน้อยลงที่จะหาทางออกที่ดีกว่าการเป็นโปรแกรมเมอร์จะ นอกจากนี้ โซลูชั่นอาจอนุมานคือการเรียนรู้แบบ

เหตุไม่คาดคิดเรเดียลเบซิสฟังก์ชัน ( RBF ) เครือข่าย [ 1 ] [ 13 ] [ 15 ] ได้รับความสนใจมากเมื่อเร็ว ๆนี้เพราะพวกเขา
ให้สรุปความถูกต้องในหลากหลายของการใช้งาน แต่มักจะได้รับคำสั่งของขนาด [ 7 ]
เร็วกว่ารุ่นอื่น เช่น โครงข่ายประสาทเทียมแบบ [ 8 ] หรือขั้นตอนวิธีพันธุกรรม [ 9 ] .
เครือข่ายฐานรัศมีให้ใช้ฟังก์ชันของระยะทางการทำงานเพื่อหาวิธีการที่แตกต่างกันสองใส่
เวกเตอร์ ( หนึ่งถูกนำเสนอไปยังเครือข่ายและอื่น ๆเก็บในโหนดที่ซ่อนอยู่ ) ระยะห่างนี้ฟังก์ชัน
มักจะออกแบบมาสำหรับแอตทริบิวต์ตัวเลขเท่านั้น และไม่เหมาะสมสำหรับชื่อ ( เรียงลําดับสัญลักษณ์ )
แอตทริบิวต์