Finally, how a network is trained t

Finally, how a network is trained to perform its desired task is another identifying model characteristic.
With supervised learning, a sample training set is used to “teach” the network about its problem domain.
This training set of exemplar cases (input and the desired output) is iteratively presented to the neural network.
The output of the network in its present form is calculated and compared to the desired output.
The learning algorithm is the training procedure that an ANN uses.
The learning algorithm used determines hoe the neural interconnection weights are corrected due to differences in the actual and desired output for a member of the training set.
Updating of the network’s interconnection weights continues until the training algorithm’s stopping criteria are met(e.g., all cases must be correctly classified within a certain tolerance level)

ผลลัพธ์ (ไทย) 1:

ในที่สุด วิธีการฝึกอบรมเครือข่ายการทำงานของคุณต้องเป็นลักษณะรูปแบบอื่นที่ระบุ พร้อมเรียนรู้มี ตัวอย่างชุดฝึกอบรมจะใช้ในการ "สอน" เครือข่ายเกี่ยวกับโดเมนของปัญหา ชุดฝึกอบรมนี้กรณี exemplar (ป้อนข้อมูลและผลลัพธ์ต้อง) ซ้ำ ๆ แสดงเครือข่ายประสาท ผลผลิตของเครือข่ายในรูปแบบปัจจุบันคำนวณ และเปรียบเทียบกับผลลัพธ์คุณต้อง อัลกอริทึมการเรียนรู้กระบวนการฝึกอบรมที่แอนเป็นใช้ได้ อัลกอริทึมการเรียนรู้ที่ใช้กำหนดจอบน้ำหนักเชื่อมต่อประสาทจะแก้ไขเนื่องจากความแตกต่างในการแสดงผลที่เกิดขึ้นจริง และต้องการเป็นสมาชิกของชุดแบบฝึก ปรับปรุงน้ำหนักการเชื่อมต่อของเครือข่ายอย่างต่อเนื่องจนกว่าจะตรงตามเงื่อนไขการหยุดของขั้นตอนวิธีการฝึกอบรม (เช่น กรณีทั้งหมดต้องถูกจัดประเภทในระดับยอมรับ)

ผลลัพธ์ (ไทย) 2:

สุดท้ายวิธีเครือข่ายได้รับการฝึกฝนในการดำเนินงานที่วางไว้เป็นอีกหนึ่งลักษณะรูปแบบการระบุ.
ด้วยการเรียนรู้ภายใต้การดูแลชุดการฝึกอบรมกลุ่มตัวอย่างที่ใช้ในการ "สอน" เครือข่ายเกี่ยวกับโดเมนปัญหาของตน.
ชุดการฝึกอบรมนี้ของกรณีตัวอย่าง (อินพุทและที่ต้องการ เอาท์พุท) จะถูกนำเสนอซ้ำไปยังเครือข่ายประสาท.
การส่งออกของเครือข่ายในรูปแบบปัจจุบันที่มีการคำนวณและเมื่อเทียบกับผลลัพธ์ที่ต้องการ.
ขั้นตอนวิธีการเรียนรู้เป็นขั้นตอนการฝึกอบรมที่ใช้แอน.
ขั้นตอนวิธีการเรียนรู้ที่ใช้กำหนดจอบน้ำหนักเชื่อมต่อโครงข่ายประสาทเทียม ได้รับการแก้ไขเนื่องจากความแตกต่างในการแสดงผลที่เกิดขึ้นจริงและที่ต้องการสำหรับการเป็นสมาชิกของชุดการฝึกอบรม.
การอัปเดตของน้ำหนักการเชื่อมต่อเครือข่ายต่อไปจนกว่าเกณฑ์หยุดขั้นตอนวิธีการฝึกอบรมจะได้พบ (เช่นทุกกรณีจะต้องจัดอย่างถูกต้องภายในระดับความอดทนบางอย่าง)

ผลลัพธ์ (ไทย) 3:

สุดท้ายแล้วเครือข่ายการฝึกอบรมเพื่อปฏิบัติงานที่ต้องการระบุลักษณะของเป็นอีกแบบ
กับการเรียนรู้แบบ Supervised Learning , ตัวอย่างชุดฝึกใช้เพื่อ " สอน " เครือข่าย เรื่องของปัญหาโดเมน
นี้การฝึกอบรมชุดของกรณีแบบอย่าง ( Input และ output ที่ต้องการ ) ซ้ำเสนอเครือข่ายประสาท
ของเครือข่ายในรูปแบบปัจจุบันจะถูกคำนวณและเปรียบเทียบกับผลลัพธ์ที่ต้องการ .
ขั้นตอนวิธีการเรียนรู้เป็นขั้นตอนการฝึกที่แอนใช้
ใช้อัลกอริทึมการเรียนรู้กำหนดจอบน้ำหนักรวมประสาทจะแก้ไขได้เนื่องจากความแตกต่างในจริงและผลลัพธ์ที่ต้องการ สำหรับสมาชิกของชุดฝึกอบรม .
การปรับปรุงเครือข่ายของการเชื่อมต่อระหว่างน้ำหนักต่อจนกว่าฝึกขั้นตอนวิธีของการหยุดที่ตรงตามเกณฑ์ ( เช่นกรณีต้องถูกจัดภายในระดับความอดทนแน่นอน )