Neural networks offer a mathematica

Neural networks offer a mathematical model that
attempts to mimic the human brain [25]. Knowledge
is represented as a layered set of interconnected
nodes. The input to individual neural network nodes
must be numeric and fall in the closed interval range
from 0 to 1 [25]. Each attribute of students must be
normalized such as age must be divided by 100.
While the student’s gender and race are identified by
binary inputs. Neural network technologies such as
feed forward networks as illustrated in Figure 2
(often referred to as back propagation nets) have
demonstrated promising capability for prediction [22,
23, 24]. In attempts to predict student’s academic
performance, student’s data such as demographics,
educational background and their personality must be
considered and transformed into the required range
from 0 to 1. The input data of students from the input
layer will be calculated using the sigmoid function
then the value of the attributes will be transfer to the
hidden layer and lastly the output layer will appear
the prediction value of the student’s performance
either successful or unsuccessful profile.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทนำเสนอแบบจำลองทางคณิตศาสตร์ที่พยายามเลียนแบบสมองมนุษย์ [25] ความรู้แสดงเป็นชุดเป็นชั้นเชื่อมต่อกันโหน ป้อนข้อมูลสำหรับโหนแต่ละโครงข่ายประสาทต้องเป็นตัวเลข และตกอยู่ในช่วงช่วงปิดจาก 0 เป็น 1 [25] แต่ละคุณลักษณะของนักเรียนต้องตามปกติเช่นอายุที่ต้องหาร ด้วย 100ในขณะที่มีระบุเพศของนักเรียนและการแข่งขันโดยอินพุตแบบไบนารี เทคโนโลยีเครือข่ายประสาทเช่นดึงไปข้างหน้าเครือข่ายดังที่แสดงในรูปที่ 2(มักจะเรียกว่าเป็นการเผยแพร่มุ้งกลับ) ได้แสดงความสามารถในการกำหนดการสำหรับทาย [2223, 24] ในความพยายามที่จะทำนายว่า นักศึกษาของหลักสูตรประสิทธิภาพ ข้อมูลของนักศึกษาเช่นข้อมูลประชากรประวัติการศึกษาและบุคลิกภาพของพวกเขาต้องพิจารณา และเปลี่ยนเป็นช่วงที่ต้องจาก 0 เป็น 1 ข้อมูลป้อนเข้าของนักเรียนจากการป้อนข้อมูลชั้นจะมีคำนวณโดยใช้ฟังก์ชัน sigmoidแล้วค่าของแอตทริบิวต์จะโอนย้ายไปชั้นซ่อน และชั้นออกจะปรากฏขึ้นค่าทำนายประสิทธิภาพการทำงานของนักเรียนโพรไฟล์ประสบความสำเร็จ หรือไม่สำเร็จ

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทนำเสนอแบบจำลองทางคณิตศาสตร์ที่
พยายามที่จะเลียนแบบสมองของมนุษย์ [25] ความรู้
จะแสดงเป็นชุดชั้นในการเชื่อมต่อระหว่าง
โหนด ป้อนข้อมูลไปยังแต่ละโหนดเครือข่ายประสาท
ต้องเป็นตัวเลขและตกอยู่ในช่วงช่วงปิด
0-1 [25] แอตทริบิวต์ของนักเรียนแต่ละคนจะต้อง
ปกติเช่นอายุจะต้องหารด้วย 100.
ในขณะที่เพศของนักเรียนและการแข่งขันจะมีการระบุโดย
ปัจจัยการผลิตไบนารี เทคโนโลยีเครือข่ายประสาทเช่น
เครือข่ายไปข้างหน้าฟีดดังแสดงในรูปที่ 2
(มักจะเรียกว่ากลับมุ้งขยายพันธุ์) ได้
แสดงให้เห็นถึงความสามารถในการคาดการณ์แนวโน้มการ [22,
23, 24] ในความพยายามที่จะทำนายทางวิชาการของนักเรียน
ผลการดำเนินงานข้อมูลของนักเรียนเช่นประชากร
วุฒิการศึกษาและบุคลิกภาพของพวกเขาต้องได้รับการ
พิจารณาและกลายเป็นช่วงที่จำเป็น
จาก 0 ถึง 1. การป้อนข้อมูลของนักเรียนจากการป้อนข้อมูล
ชั้นจะได้รับการคำนวณโดยใช้ฟังก์ชั่น sigmoid
แล้ว ค่าของแอตทริบิวต์ที่จะถ่ายโอนไปยัง
ชั้นที่ซ่อนอยู่และสุดท้ายชั้นออกจะปรากฏ
ค่าคาดการณ์ผลการดำเนินงานของนักเรียน
ทั้งรายละเอียดที่ประสบความสำเร็จหรือไม่ประสบความสำเร็จ

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมเสนอแบบจำลองทางคณิตศาสตร์ที่
ความพยายามที่จะเลียนแบบสมองมนุษย์ [ 25 ] ความรู้
แทนเป็นชั้นเชื่อมโยง
ชุดของโหนด การป้อนข้อมูลไปยังแต่ละโหนดเครือข่ายประสาท
ต้องเป็นตัวเลขและตกอยู่ในช่วงปิด
ช่วงจาก 0 ถึง 1 [ 25 ] แต่ละคุณลักษณะของนักเรียนต้อง
ปกติเช่นอายุต้องแบ่ง
100ในขณะที่เพศของนักเรียนและการแข่งขันมีการระบุโดย
ข้อมูลไบนารี เทคโนโลยีเครือข่ายประสาทเช่น
ป้อนไปข้างหน้าเครือข่ายที่แสดงในรูปที่ 2
( มักเรียกว่า back propagation มุ้ง ) ได้แสดงความสามารถในการทำนายแนวโน้ม

[ 22 , 23 , 24 ) ในความพยายามที่จะทำนายการปฏิบัติงานวิชาการ
นักเรียน นักศึกษาข้อมูล เช่น
ประชากรความเป็นมาและบุคลิกภาพของตน การศึกษาจะต้องพิจารณาและกลายเป็นที่ต้องการ

ช่วงตั้งแต่ 0 ถึง 1 ข้อมูลนักเรียนจากข้อมูล
ชั้นจะถูกคำนวณโดยใช้
ฟังก์ชันซิกมอยด์แล้วค่าของแอตทริบิวต์จะถูกถ่ายโอนไปยัง
ชั้นซ่อนและสุดท้ายออกชั้นจะปรากฏค่า

ทำนายการปฏิบัติงานของนักเรียนให้สำเร็จ หรือ ไม่สำเร็จ โปรไฟล์