问题标签 [neural-network]

我试图了解各类机器学习算法之间的区别。

我知道进化算法的实现与神经网络的实现有很大不同。

然而，它们似乎都倾向于从一组潜在嘈杂的训练/历史数据中确定输入和输出之间的相关性。

从定性的角度来看，与进化算法相比，是否存在更适合神经网络目标的问题域？

我浏览了一些建议以互补方式使用它们的文章。有没有一个像样的用例示例？

我是商科专业的，我的学位课程已经完成了三分之二，有一点 PHP 经验，上过一门 C++ 入门课程，现在后悔选择了商科而不是编程/计算机科学。

我有兴趣学习更高级的编程；特别是 C，并最终使用 CUDA 架构进行人工神经网络数据分析（不是用于人工智能、视觉或语音处理，而是用于查找大型数据集中数据点之间的相关性和一般数据/统计分析）。

关于我应该如何开始学习 C 的任何建议？以及用于分析数据的 ANN/贝叶斯技术？书太多了，不知道选什么。

由于 CUDA 相当新，因此似乎没有太多对学习者友好（即简化）的材料。除了 NVIDIA 文档之外，是否还有针对 CUDA 的学习资源？

此外，您会向我推荐哪些有关 GPGPU 计算和大规模并行编程的资源来帮助我？

我正在开发一个程序来使用 OCR 技术从图像中识别字符。到目前为止，我使用了一种扫描图像的方法，但现在我必须使用神经网络。请解释什么是单层感知器以及如何使用它来训练网络。

我对神经网络有点兴趣，并考虑在 python 中使用一个用于比较时域中的各种最小化技术（最快）的轻型项目。

然后我意识到我什至不知道神经网络是否有利于最小化。你怎么看？

我有一个可能微不足道的问题，但在我看过的任何地方都没有描述。我正在研究神经网络，我所看到的任何地方都有一些理论和一些简单的例子，其中一些 0 和 1 作为输入。我想知道：我是否必须只将一个值作为一个神经元的输入值，或者它可以是一个向量，比如说，3 个值（例如 RGB 颜色）？

问题如下：

我有一个摘要，通常在 20 到 50 个单词之间，我想将其与其他相对相似的摘要进行比较。摘要所指的一般类别和地理位置是已知的。

例如，如果来自同一地区的人们正在撰写关于建造房屋的文章，我希望能够列出这些摘要，并且在一定程度上确定他们实际上指的是建造房屋而不是建造车库或后院游泳池。

该数据集目前大约有 50 000 个文档，每天大约有 200 个文档的增长速度。

首选语言是 Python、PHP、C/C++、Haskell 或 Erlang，无论哪种语言都能完成工作。另外，如果您不介意，我想了解选择特定语言的原因。

你用什么？

我打算使用经过反向传播训练的多层感知器网络（一个隐藏层，输入用作包含图像中黑白像素的 8x8 位矩阵）。出现以下问题：

1. 我应该使用哪种类型的学习：批量学习还是在线学习？
2. 我如何估计隐藏层中正确的节点数？我打算处理英文字母的26个字母。
3. 我怎样才能停止训练过程，以避免过度拟合？
4. （不太相关）是否有另一个比 MLP 表现更好的 NN？我知道 MLP 会陷入局部最小值、过度拟合等问题，那么是否有更好的（基于软计算的）方法？

谢谢

我正在学习神经网络基础知识。

如何在 C# 中使用感知器实现 AND、OR 和 XOR 逻辑？

在我的计算机科学学年中，我爱上了人工智能的许多方面。从专家系统、神经网络到数据挖掘（分类）。我想知道，如果我要专业地转变这种学术热情，那里有哪些与人工智能相关的工作？