The objective is to identify each o

The objective is to identify each of a large number of black-and-white
% rectangular pixel displays as one of the 26 capital letters in the English
% alphabet. The character images were based on 20 different fonts and each
% letter within these 20 fonts was randomly distorted to produce a file of
% 20,000 unique stimuli. Each stimulus was converted into 16 primitive
% numerical attributes (statistical moments and edge counts) which were then
% scaled to fit into a range of integer values from 0 through 15. We
% typically train on the first 16000 items and then use the resulting model
% to predict the letter category for the remaining 4000. See the article
% cited above for more details.

ผลลัพธ์ (ไทย) 2:

โดยมีวัตถุประสงค์เพื่อระบุตัวตนของแต่ละคนเป็นจำนวนมากของสีดำและสีขาว% พิกเซลจอแสดงผลเป็นรูปสี่เหลี่ยมผืนผ้าเป็นหนึ่งใน 26 ตัวอักษรในภาษาอังกฤษอักษร% ภาพตัวอักษรที่อยู่บนพื้นฐานของ 20 ตัวอักษรที่แตกต่างกันและแต่ละจดหมาย% ภายใน 20 แบบอักษรเหล่านี้เป็นที่บิดเบี้ยวแบบสุ่มในการผลิตไฟล์ของ% 20,000 สิ่งเร้าที่ไม่ซ้ำกัน กระตุ้นแต่ละแปลงเป็น 16 ดั้งเดิมคุณลักษณะตัวเลข% (ช่วงเวลาการนับสถิติและขอบ) ซึ่งถูกแล้ว% ปรับขนาดให้พอดีกับช่วงของค่าจำนวนเต็มจาก 0 ถึง 15 เรา% โดยทั่วไปจะมีการฝึกอบรมในวันแรก 16,000 รายการและจากนั้นใช้รูปแบบที่เกิดขึ้น% ที่จะคาดการณ์หมวดหมู่สำหรับจดหมายที่เหลือ 4000 ดูบทความ% ดังกล่าวข้างต้นสำหรับรายละเอียดเพิ่มเติม

ผลลัพธ์ (ไทย) 3:

โดยมีวัตถุประสงค์เพื่อระบุแต่ละตัวเลขขนาดใหญ่ของสีดำและสีขาว
% สี่เหลี่ยมพิกเซลแสดงเป็นหนึ่งใน 26 ตัวอักษรในตัวอักษร
% ภาษาอังกฤษ อักขระภาพขึ้นอยู่กับแบบอักษรที่แตกต่างกันและ 20 คน
% ภายใน 20 แบบอักษรตัวอักษรสุ่มเพี้ยนผลิตแฟ้มของ
% 20000 เฉพาะสิ่งเร้า แต่ละกระตุ้นถูกแปลงเป็น 16 ดั้งเดิม
% คุณลักษณะเชิงตัวเลข ( ช่วงเวลานับสถิติและขอบแล้ว
% ) ซึ่งมีการปรับขนาดให้พอดีกับในช่วงของค่าจำนวนเต็มตั้งแต่ 0 ถึง 15 เรา
% โดยปกติรถไฟบน 10 รายการก่อน แล้วใช้ผลแบบ
% ทำนายตัวอักษรประเภทเหลือ 4000 ดูบทความ
% อ้างข้างต้น สำหรับรายละเอียดเพิ่มเติม