The extreme learning machine (ELM)

The extreme learning machine (ELM) is an emerging machine learning technique [1]. ELM is based on the neural
network concept and includes both single and multi-hiddenlayer neural networks and kernel learning but it is not limited
to only them. In ELM, there are several parameters that create
the model. Some of them are Hidden nodes, and biases. These
are randomly initialized and fixed after processing without
tuning them iteratively. The hidden nodes in emerging ELM
are not mandatory to be neuron alike. The only free parameters
that are required to be learned are the connections or weights
amid the hidden layer and the output layer. Emerging ELM is
based on Artificial Neural Network (ANNs) concepts that have
been broadly applied on many applications and problems such
as pattern classification, regression and time series analysis
[2]. ANNs have very good adaptability because of selection
of model from features obtained in the input data. This makes
them better candidates for the variety of problems such as
optical character recognition [3], face detection [4], gene prediction [5], credit scoring and time series forecasting [6]. There
are several classifications of ANNs. One of the simplest type
of ANNs are feed forward neural networks (FNNs) that have
been studied and used widely since the introduction of the back
propagation (BP) algorithm [7]. Learning process in FNNs
belong to the category of supervised learning approach. In
this process of supervised learning, input and output samples
are given to the network for many cycles so that the network

ผลลัพธ์ (ไทย) 1:

เครื่องจักรการเรียนรู้มาก (ELM) คือ เครื่องเกิดการเรียนรู้เทคนิค [1] ELM อยู่ระบบประสาทแนวคิดของเครือข่าย และเครือข่ายประสาทเดี่ยวและหลาย hiddenlayer และเรียนรู้เคอร์เนล แต่ไม่จำกัดเฉพาะการเท่านั้น ในเอล์ม มีพารามิเตอร์หลายอย่างที่สร้างแบบจำลอง บางส่วนของพวกเขาจะซ่อนโหน และอคติ เหล่านี้แบบสุ่มเตรียมใช้งาน และคงที่หลังจากการประมวลผลโดยไม่ปรับแต่งพวกเขาปรับปรุงต้น ซ่อนโหนในเอล์มเกิดใหม่ไม่ได้บังคับเพื่อให้เซลล์ประสาทเหมือนกัน พารามิเตอร์เท่านั้นฟรีที่จะต้องเรียนรู้ได้มีการเชื่อมต่อหรือน้ำหนักท่ามกลางชั้นซ่อนและชั้นเอาต์พุต ELM ที่เกิดใหม่คือตามแนวคิดของโครงข่ายประสาทเทียม (ANNs) ที่มีถูกใช้อย่างกว้างขวางในการใช้งานและปัญหาดังกล่าวเป็นการจำแนก การถดถอย และเวลาชุดการวิเคราะห์รูปแบบ[2] . ANNs มีปรับตัวดีมาก เพราะเลือกรุ่นจากคุณลักษณะที่ได้รับข้อมูลป้อนเข้า ซึ่งทำให้พวกเขาดีกว่าผู้สมัครสำหรับหลากหลายของปัญหาเช่นการรู้จำอักขระด้วยแสง [3], หน้าตรวจจับ [4], ยีนคาดเดา [5], การให้คะแนนเครดิต และการเวลาชุดการพยากรณ์ [6] มีมีหลายประเภทของ ANNs ชนิดที่ง่ายที่สุดอย่างใดอย่างหนึ่งของ ANNs มีฟีดหน้าเครือข่ายประสาท (FNNs) ที่มีการศึกษา และใช้กันอย่างแพร่หลายตั้งแต่การแนะนำของด้านหลังการเผยแพร่ (BP) อัลกอริทึม [7] กระบวนการเรียนรู้ใน FNNsเป็นประเภทของวิธีการเรียนรู้ดูแล ในกระบวนการการเรียนรู้ดูแล อินพุท และเอาท์พุทตัวอย่างนี้ได้รับเครือข่ายหลายรอบเพื่อให้เครือข่าย

ผลลัพธ์ (ไทย) 2:

เครื่องเรียนรู้มาก (ELM) เป็นเทคนิคการเรียนรู้ของเครื่องที่เกิดขึ้นใหม่ [1] ELM จะขึ้นอยู่กับประสาท
แนวคิดเครือข่ายและรวมทั้งเครือข่ายประสาทเดียวและหลาย hiddenlayer และการเรียนรู้เคอร์เนล แต่มันก็ไม่ได้ จำกัด อยู่
เพียงพวกเขา ใน ELM มีพารามิเตอร์หลายอย่างที่สร้าง
แบบจำลอง บางคนมีโหนดที่ซ่อนอยู่และอคติ เหล่านี้
จะเริ่มต้นการสุ่มและคงหลังจากการประมวลผลโดยไม่ต้อง
จูนพวกเขาซ้ำ โหนดที่ซ่อนอยู่ใน ELM ที่เกิดขึ้นใหม่
ไม่ได้บังคับให้เป็นเซลล์ประสาทเหมือนกัน พารามิเตอร์ฟรีเท่านั้น
ที่จะต้องเรียนรู้ที่จะมีการเชื่อมต่อหรือน้ำหนัก
ท่ามกลางชั้นที่ซ่อนอยู่และชั้นเอาท์พุท ELM ที่เกิดขึ้นใหม่จะ
อยู่บนพื้นฐานของโครงข่ายประสาทเทียม (ANNs) แนวความคิดที่ได้
ถูกนำมาใช้กันอย่างแพร่หลายในการใช้งานจำนวนมากและปัญหาดังกล่าว
เป็นรูปแบบการจัดหมวดหมู่การถดถอยและการวิเคราะห์อนุกรมเวลา
[2] ANNs มีการปรับตัวที่ดีมากเพราะของการเลือก
รูปแบบจากคุณสมบัติที่ได้รับในการป้อนข้อมูล นี้จะทำให้
พวกเขาผู้สมัครที่ดีกว่าสำหรับความหลากหลายของปัญหาเช่น
การรับรู้แสงตัวละคร [3], ตรวจจับใบหน้า [4] ทำนายยีน [5] คะแนนเครดิตและการพยากรณ์อนุกรมเวลา [6] มี
หลายประเภทการใช้ ANNs มี หนึ่งในชนิดที่ง่ายที่สุด
ของ ANNs มีฟีดไปข้างหน้าเครือข่ายประสาท (FNNs) ที่ได้
รับการศึกษาและใช้กันอย่างแพร่หลายตั้งแต่การแนะนำของกลับ
ขยายพันธุ์ (BP) อัลกอริทึม [7] กระบวนการเรียนรู้ใน FNNs
อยู่ในประเภทของวิธีการเรียนรู้ภายใต้การดูแล ใน
กระบวนการของการเรียนรู้ภายใต้การดูแลนี้ input และ output ตัวอย่าง
มีให้กับเครือข่ายสำหรับรอบจำนวนมากเพื่อให้เครือข่าย

ผลลัพธ์ (ไทย) 3:

เครื่องเรียนมาก ( ELM ) เป็นเครื่องใหม่ เทคนิคการเรียนรู้ [ 1 ] เอมจะขึ้นอยู่กับระบบประสาทเครือข่ายความคิด และรวมทั้งเดียวและหลาย hiddenlayer เครือข่ายประสาทและเมล็ดในการเรียนรู้ แต่ไม่ จำกัดเพียงพวกเขา ในเอมมีพารามิเตอร์ต่าง ๆ ที่สร้างแบบจำลอง บางส่วนของพวกเขาเป็นจุดที่ซ่อนอยู่และ biases เหล่านี้มีการสุ่มและการแก้ไขหลังจากการประมวลผลโดยไม่ต้องเริ่มต้นการปรับแต่งพวกเขาซ้ำ . ซ่อนโหนดใน Elm ที่เกิดขึ้นใหม่จะไม่บังคับให้เซลล์เหมือนกัน เท่านั้นฟรีค่าที่ต้องเรียนมีการเชื่อมต่อหรือน้ำหนักและชั้นซ่อนและการแสดงผลชั้น เอมเป็นใหม่โดยใช้โครงข่ายประสาทเทียม ( แอนน์ ) มีแนวคิดว่ารูปที่ใช้ในการใช้งานมาก และปัญหาดังกล่าวเป็นรูปแบบการถดถอยพหุคูณ และการวิเคราะห์อนุกรมเวลา[ 2 ] แอนน์มีการปรับตัว เพราะการเลือกที่ดีมากจากคุณสมบัติที่ได้ในรูปแบบของข้อมูลนำเข้า นี้ทำให้ให้ผู้สมัครที่ดีสำหรับความหลากหลายของปัญหา เช่นการรู้จำอักขระด้วยแสง [ 3 ] , ตรวจจับใบหน้า [ 4 ] , [ 5 ] ยีนทำนายเครดิตคะแนนและการพยากรณ์อนุกรมเวลา [ 6 ] มีมีหลายประเภทของทาง . หนึ่งในประเภทที่ง่ายที่สุดของแอนน์จะดึงไปข้างหน้าโครงข่ายประสาทเทียม ( fnns ) ซึ่งมีได้ศึกษาและใช้กันอย่างแพร่หลายตั้งแต่เบื้องต้นของกลับขยายพันธุ์ ( BP ) ขั้นตอนวิธี [ 7 ] การเรียนรู้ใน fnnsอยู่ในประเภทของการดูแลการเรียนรู้วิธีการ ในกระบวนการของการป้อนข้อมูลและตัวอย่าง output การเรียนรู้นี้ให้กับเครือข่ายสำหรับรอบมากเพื่อให้เครือข่าย