Neural networks have received a gre

Neural networks have received a great deal of attention over
the last few years. They are being used in the areas of pre­ diction and classification, areas where regression models and other related statistical techniques have traditionally been used. In this paper we discuss neural networks and compare them to regression models. We start by exploring the history of neural networks. This includes a review of relevant literature on the topic of neural networks. Neural network nomenclature is then introduced, and the backprop­ agation algorithm, the most widely used learning algorithm, is derived and explained in detail. A comparison between re­ gression analysis and neural networks in terms of notation and implementation is conducted to aid the reader in un­ derstanding neural networks. We compare the performance
of regression analysis with that of neural networks on two simulated examples and one example on a large dataset. We show that neural networks act as a type of nonparametric regression model, enabling us to model complex functional forms. We discuss when it is advantageous to use this type of model in place of a parametric regression model, as well as some of the difficulties in implementation.

ผลลัพธ์ (ไทย) 2:

โครงข่ายประสาทเทียมได้รับความสนใจมากในช่วง
ไม่กี่ปีที่ผ่านมา พวกเขาจะถูกนำมาใช้ในพื้นที่ของพจน์ก่อนและการจำแนกพื้นที่ที่มีรูปแบบการถดถอยและเทคนิคทางสถิติอื่น ๆ ที่เกี่ยวข้องได้รับการแบบดั้งเดิมที่ใช้ ในบทความนี้เราจะหารือเครือข่ายประสาทและเปรียบเทียบกับรูปแบบการถดถอย เราเริ่มต้นด้วยการสำรวจประวัติศาสตร์ของเครือข่ายประสาท ซึ่งรวมถึงการทบทวนวรรณกรรมที่เกี่ยวข้องในเรื่องของเครือข่ายประสาทที่ การตั้งชื่อเครือข่ายประสาทเป็นที่รู้จักแล้วและอัลกอริทึม backprop agation ขั้นตอนวิธีการเรียนรู้ที่ใช้กันอย่างแพร่หลายและได้มาอธิบายในรายละเอียด เปรียบเทียบระหว่างการวิเคราะห์เรื่อง gression และเครือข่ายประสาทในแง่ของสัญกรณ์และการดำเนินการจะดำเนินการที่จะช่วยให้ผู้อ่านในเครือข่ายประสาทสหประชาชาติ derstanding เราเปรียบเทียบผลการดำเนินงาน
ของการวิเคราะห์การถดถอยกับที่ของเครือข่ายประสาทในสองตัวอย่างจำลองและตัวอย่างหนึ่งในชุดข้อมูลที่มีขนาดใหญ่ เราแสดงให้เห็นว่าเครือข่ายประสาททำหน้าที่เป็นประเภทของการถดถอยแบบไม่อิงพารามิเตอร์ที่ทำให้เราสามารถจำลองรูปแบบการทำงานที่ซับซ้อน เราหารือเมื่อมันเป็นข้อได้เปรียบที่จะใช้ชนิดของรุ่นนี้ในสถานที่ของตัวแบบการถดถอยพาราเช่นเดียวกับบางส่วนของความยากลำบากในการดำเนินการ

ผลลัพธ์ (ไทย) 3:

เครือข่ายประสาทได้รับการจัดการที่ดีของความสนใจมากกว่าไม่กี่ปี พวกเขาจะถูกใช้ในพื้นที่ก่อนองคำพูดและการจำแนก พื้นที่ที่รูปแบบการถดถอยและสถิติอื่นๆที่เกี่ยวข้อง มีผ้าถูกใช้ ในบทความนี้เราจะหารือเกี่ยวกับโครงข่ายประสาทเทียมและเปรียบเทียบกับการถดถอย เราเริ่มสำรวจประวัติศาสตร์ของโครงข่ายประสาทเทียม ซึ่งรวมถึงการทบทวนวรรณกรรมที่เกี่ยวข้องกับหัวข้อของโครงข่ายประสาทเทียม ระบบการตั้งชื่อเครือข่ายประสาทแล้ว แนะนำ และ backprop อง agation ขั้นตอนวิธีที่ใช้กันอย่างแพร่หลายการเรียนรู้วิธีการได้มาและอธิบายในรายละเอียด การเปรียบเทียบระหว่างเรอง gression การวิเคราะห์และโครงข่ายประสาทเทียม ในแง่ของสัญลักษณ์และการดำเนินงานมีวัตถุประสงค์เพื่อช่วยให้ผู้อ่านใน UN อง derstanding โครงข่ายประสาทเทียม เราเปรียบเทียบประสิทธิภาพการวิเคราะห์การถดถอยด้วยโครงข่ายประสาทเทียม 2 ) ตัวอย่างและตัวอย่างหนึ่งในชุดข้อมูลที่มีขนาดใหญ่ เราพบว่าโครงข่ายประสาทเทียมเป็นชนิดของแบบจำลองสมการถดถอย 3 ทําให้รูปแบบรูปแบบการทำงานที่ซับซ้อน เราคุยเมื่อมันเป็นประโยชน์ที่จะใช้แบบจำลองประเภทนี้ในสถานที่ของการถดถอยแบบพาราเมตริก รวมทั้งบางส่วนของความยากในการใช้งาน