신경망에 대한 비 수학적 설명
https://stackoverflow.com/questions/312627
-
10-07-2019 - |
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
Russian문제
나는 수학자가 아닙니다. 나는 좋은 수학 퍼즐을 즐긴다. 그러나 나는 내 약점을 온 마음으로 인정한다. 즉, 나는 항상 신경망에 관심을 가졌으며, 처음부터 구현할만큼 충분히 이해하는 동안 수학 증거 만 찾을 수있는 개념을 이해해야 할 때 벽에 부딪쳤다. 실질적인 이유를 설명하기 위해 공식 대신 코드를 사용하는 신경망에 대한 프로그래머 안내서는 어디에 있습니까?
해결책
또 다른 대안은 비전자의 비 프로그래밍 설명입니다. 그 책 BLONDIE24 : AI의 가장자리에서 연주 신경망에 대한 정말 훌륭한 설명이 포함되어 있습니다. 저자가 개발 한 체커 플레이 AI에 관한 것입니다. 그렇지 않습니다 완전히 참조를 프로그래밍하지 않지만 솔루션 코드에 들어 가지 않고 알고리즘이 어떻게 작동하는지 설명하는 데 큰 도움이됩니다.
다른 팁
불행히도, 나는 당신에게 모든 개념을 줄 좋은 단일 "프로그래머 소스"가 있는지 모르겠습니다. 좋아 했어요 신경 및 적응 시스템 : 시뮬레이션을 통한 기초.
신경망에 대한 "프로그래머의 이해"를 갖는 가장 좋은 방법은 코드를 검토하는 것이 아니라 문제와 올바른 결과에 있습니다. 따라서 수학을보고 싶지 않다면 주어진 문제를 보는 것이 좋습니다. 예를 들어, XOR 문제를 비선형 활성화 함수가 필요한 이유를 예로 들어, 신경망이 특정 크기와 토플로그가 효과적이어야하는 이유를 이해하기위한 변수 수와 가능한 값을 살펴보고 효과적이며, 효과적이어야하며, 왜 효과적이든, 그리고 왜 효과가 있고, 왜 효과가 있고, 왜 효과가 있고, 왜 효과가 있고, 왜 효과가 있고, 왜 효과가 있는지, 그리고 왜 가능한 값을 살펴보십시오. 데이터를 기차/테스트 체제로 나누고 과적이 왜 위험한 지 확인하기 위해 연구를 수행하십시오. 데이터로 코드를 검사하십시오.
또한 너무 끊지 않고 더 읽는 것이 좋습니다. 피드 포워드 네트워크의 특정 관행은 반복적이고 건설적인 신경망에서 일반화를 볼 때 더 명확 해집니다. 또한 베이지안 네트워크, 퍼지인지지도, SOM, 볼츠 만 기계, 시뮬레이션 어닐링 및 강화 학습은 모두 직관이 더 넓어지는 것이 좋습니다.
이것이 당신의 질문에 대답하는 데 방해가됩니까?
Pascal 또는 Delphi에서 약간의 이해가 필요하지만 이 개요 ThinkQuest에서 프로그래밍 독립점에서 매우 도움이됩니다. 또한 몇 가지 어려움과 수학이 약간 위협적으로 보이는 이유를 설명합니다. (나도 수학자가 아닙니다.)
나는 이런 종류의 일에 잠시 거슬러 올라가는 데 관심이 있었고 (여전히 대부분의 경우), 내가 꽤 빨리 따라갈 수있는 몇 가지 연습장을 찾아 보았습니다.
그것이 적어도 조금 도움이되기를 바랍니다.
나는 개인적으로 사용했습니다.
C ++의 실제 신경망 레시피
내 의견으로는 저자는 C ++의 더 강력한 기능을 완전히 활용하지 않으며, 대부분의 경우 클래스와 함께 전통적인 C와 더 많이 읽습니다. 이 책은 지금까지 약간의 날짜가 있습니다.
그러나 - 신경망에 사용되는 알고리즘과 기술에 대한 설명이 필요한 경우, 지능적인 평신도가 이해할 수있는 방식으로 설명하여 사라지고 스스로 시도해 볼 수있게되면이 책을 시도해 볼 것입니다. 배꼽 공연은 여기서 계속되지 않습니다. 이것이 제가 좋아했던 것입니다.
신경망을 프로그래밍하는 데 필요한 모든 주요 사항을 사용합니다. 오류 신호를 얻기 위해 실제 출력을 원하는 것과 비교하는 방법을 사용한 다음 등 전파 알고리즘과 함께이 오류 신호를 사용하여 네트워크 링크 연결을 수정하는 방법을 사용합니다. 점차적으로 신경망이 '작업'을 배우도록 반복적으로 수행합니다.
나는 거의 정확히이 제목의 기사를했다. 이 기사는 데이터가 신경 네트워크와 지원 벡터 머신과 같은 다른 기계 학습 방법에 어떻게 표현되는지 설명합니다.
http://www.heatonresearch.com/content/non-mathematical-introduction-using-neural-networks
