㈠ 人工神經網路是怎麼學習的呢
1、神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等）。 2、這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 3、然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。 4、而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。 5、學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度， 6、而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
㈡ 想要學習人工神經網路，需要什麼樣的基礎知識
最基礎的部分的話需要：線性代數，機器學習，微積分，優化等等。
幾乎所有操作都有矩陣專運算，所以至少最基屬礎的線性代數需要掌握
建議從單一的感知機Perceptron出發，繼而認識到DecisionBoundary(判別邊界),以及最簡單的一些「監督訓練」的概念等，有機器學習的基礎最好。就結果而言，諸如「過擬合」之類的概念，以及對應的解決方法比如L1L2歸一，學習率等也都可以從單個感知機的概念開始入門。
從單層感知器推廣到普通的多層感知器MLP。然後推廣到簡單的神經網路（激活函數從階躍「軟化」為諸如tanh等類型的函數），然後引入特定類型的網路結構，比如最基本的全連接、前向傳播等等概念。進而學習訓練演算法，比如反向傳播，這需要微積分的知識（Chainrule）,以及非線性優化的最基礎部分，比如梯度下降法。
其次至少需要具備一些適用於研究的編程語言的技能，例如python，matlab，（C++也可行）等，哪怕不自己實現最簡單的神經網路而是用API，也是需要一定計算機能力才能應用之。
超過網路工程師的決心，不要弄出個網路知道答案審批這么搓的東西。
㈢ 如何規劃機器學習，人工神經網路和深度學習的學習路徑
這兩個概念實際上是互相交叉的，例如，卷積神經網路（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
㈣ 求一個學習人工神經網路的方法，，
神經網路，你先學好高數里的很多級數，如泰勒展開式，傅里葉級數，洛朗級數等這些級數對現實模型都有逼近作用，神經網路最初都是單神經元，如果你對泰勒展開時比較深刻了之後，你就可以很輕松的證明單層感知器的數學動力學原理，之後學習多層感知器的概念無非只是加入歐式空間的概念，在低位高度非線性的模型，在高緯上線性化，到這里理解後，後面的神經網路學習在理解上就很輕鬆了，現在的書的確都寫的很糟糕，神經網路最好和函數逼近空間幾何一起學，理論上是相通的，祝你學習愉快
㈤ 人工神經網路好學嗎
神經網路是人工智慧的一部分，只是解決問題的一種方法，不過現在神經網路很「流行」，說它流行是因為神經網路還有好多需要改進和完善的地方，正因如此大家才會去研究它，說明這種方法很具有研究的潛質。其實只要你有恆心和興趣（興趣很重要），神經網路也不是那麼難學的，先看一些入門的知識，最好能做一下像C++（較難）或Matlab(交易)的神經網路編程，這對你的神經網路學習會很有幫助的。祝你成功！
㈥ 關於<人工神經網路>如何入門講一些基礎課程
人工神經網路是模仿人腦神經網路的演算法。輸入相應特徵後，經過網路的層層計算，得出輸出。再按照相應的演算法進行權值，閾值等參數的更新。比較常用的神經網路模型有BP（誤差反饋）網路。一般網路也就是三層。你可以先看看BP網路的，應該就能解決你在分類識別方面的問題。
㈦ 關於人工神經網路的學習過程的問題
神經網路給出的結果只能是帶一定誤差的結果，誤差的大小取決於學習的次數、學習的樣本數以及樣本之間的偏差（標准差）。
多次學習之後，神經網路就能夠算出未知的值了，否則學習就沒有意義了。
例如圖像識別，只要你讓神經網路學習了模式之後，他自然會對於給定的輸入（圖像）來進行輸出（模式匹配結果）如果不具備這個功能，那麼你建立的網路就不是神經網路了。說明網路構建出插錯了。
㈧ 人工神經網路為什麼能自己學習
因為它能模仿人腦的工作機制，通過增強或減弱神經元間的刺激程度來完成學習。你的10個樣本一定是有規律的，哪怕是非線性的規律，也能被學習（也可以說是記憶）。
㈨ 什麼是人工神經網路的學習它可以通過哪些途徑來實現
早在1943 年，神經科學家和控制論專家Warren McCulloch 與邏輯學家Walter Pitts就基於數學和閾值邏輯演算法創造了一種神經網路計算模型。其中最基本的組成成分是神經元（Neuron）模型，即上述定義中的「簡單單元」（Neuron 也可以被稱為Unit）。在生物學所定義的神經網路中（如圖1所示），每個神經元與其他神經元相連，並且當某個神經元處於興奮狀態時，它就會向其他相連的神經元傳輸化學物質，這些化學物質會改變與之相連的神經元的電位，當某個神經元的電位超過一個閾值後，此神經元即被激活並開始向其他神經元發送化學物質。Warren McCulloch 和Walter Pitts 將上述生物學中所描述的神經網路抽象為一個簡單的線性模型（如圖2所示），這就是一直沿用至今的「McCulloch-Pitts 神經元模型」，或簡稱為「MP 模型」。
在MP 模型中，某個神經元接收到來自n 個其他神經元傳遞過來的輸入信號（好比生物學中定義的神經元傳輸的化學物質），這些輸入信號通過帶權重的連接進行傳遞，某個神經元接收到的總輸入值將與它的閾值進行比較，然後通過「激活函數」（亦稱響應函數）處理以產生此神經元的輸出。如果把許多個這樣的神經元按照一定的層次結構連接起來，就可以得到相對復雜的多層人工神經網路。
㈩ 能推薦幾本學習人工神經網路的經典教材嗎
《模式識別與機器學習》 [加] Simon Haykin
《神經網路與模式識別》 [加] Simon Haykin（原《神經網路原理》）
《模式分類》 Richard O. Duda/Peter E. Hart/David G. Stork
《機器學習》 (美)Tom Mitchell
這幾本是寫的最好的。如果你想要更容易一點，推薦看斯坦福的機器學習公開課。
註：前身課程需要《概率論》《高等數學》，先復習為好。最好再讀一讀測度和高概。