Contents
4-3 MNIST手寫辨識(一)
4-4 MNIST手寫辨識(二)
4-5 波士頓房價(一)
4-6 波士頓房價(二)
4-7 鳶尾花
4-8 整體學習（Ensemble learning）進行分類及預測
4-3 MNIST手寫辨識(一)
人工神經網路（Artificial Neural Network，ANN）
- 一種模仿生物神經網路（特別是大腦）的結構和功能的計算模型，用於對函式進行估計或近似
- 由大量的人工神經元聯結進行計算
- 能在外界資訊的基礎上改變內部結構，是一種自適應系統，通俗的講就是具備學習功能
- 基於數學統計學類型的學習方法（Learning Method）得以最佳化
- 已經被用於解決各種各樣的問題，例如機器視覺和語音辨識
神經元(neuron)
- 就是單一神經細胞
- 由其他神經元輸入x1,x2,…
- 分別乘上權重w1,w2,…
- 整合後經激勵函式(Activation function)計算是否轉換輸出
神經網路系統
- 每一節點即神經細胞
- 輸入層接收特徵值
- 隱藏層由多層神經細胞組成
- 輸出層輸出目標
- 此種網路也稱感知器 (perceptron)
倒傳遞(Backpropagation,BP)
- 是ANN最常用的學習方法
- 對網路中所有權重計算損失函數的梯度，會反饋給最優化方法，用來更新權值以最小化損失函數
- 要求有對每個輸入值對應的已知輸出，來計算損失函數梯度，被認為是一種監督式學習方法
多層感知器
- 一種有監督的學習演算法，通過在資料集上進行訓練來學習功能，給定一組特徵和一個目標，可以學習用於分類或回歸的非線性函數逼近器