Каковы некоторые хорошие ресурсы для приобретения знаний об Искусственных Нейронных сетях? [закрытый]
Так как вы пометили pandas
df1,df2=pd.DataFrame(x1),pd.DataFrame(x2)
pd.concat([df1,df2]).groupby(0,as_index=False).sum().apply(tuple,1).tolist()
[('A', 3), ('B', 8), ('C', 10), ('D', 6)]
12 ответов
Вот некоторый пример программирования Нейронной сети. http://www.codeproject.com/KB/recipes/neural_dot_net.aspx
можно начать читать здесь: http://web.archive.org/web/20071025010456/http://www.geocities.com/CapeCanaveral/Lab/3765/neural.html
я с моей стороны посетил курс об этом и работал через некоторую литературу.
Две книги, что, где используется во время моего исследования:
курс Introductional: введение в Нейронные Вычисления Igor Aleksander и Helen Morton.
Продвинутый курс: Нейрокомпьютинг Robert Hecht-Nielsen
Я думаю, что хорошая начальная точка всегда была бы Википедия . Там Вы найдете некоторые полезные ссылки на документацию и проекты, которые используют нейронные сети, также.
Я второй рекомендация dwf Нейронные сети для Распознавания образов Chris Bishop. Хотя, это - возможно, не текст начинающего. Norvig или учебное руководство онлайн (с кодом в Matlab!), вероятно, было бы более нежное введение.
А хорошим проектом начинающего был бы OCR (Оптическое распознавание символов). Можно просканировать на страницах текста и подать каждый символ через сеть для выполнения классификации. (Необходимо было бы обучить сеть сначала, конечно!).
Если Вы не возражаете тратить деньги, , Руководство Мозговой Теории и Нейронных сетей очень хорошо. Это содержит 287 статей, касающихся исследования во многих дисциплинах. Это запускается с введения и теории и затем выделяет пути через статьи для лучшего покрытия процентов.
Что касается первого проекта, карты Kohonen интересны для классификация : найдите спрятанными, отношения в Вашей музыкальной коллекции, создают умный робот или решают приз Netflix .
Нейронные сети довольно деклассированы в эти дни. Методы опорных векторов и методы ядра лучше для большего количества классов проблем затем обратная связь. Нейронные сети и генетические алгоритмы получают воображение людей, которые не знают много о современном машинном обучении, но они не состояние.
, Если Вы хотите узнать больше о AI и машинном обучении, я рекомендую читать Peter Norvig Искусственный интеллект: современный Подход . Это - широкий обзор AI и большая современная технология. Это пробегается через историю и более старые методы также, и даст Вам более полное основание в основах AI и машинного обучения.
Нейронные сети довольно легки, все же. Особенно, если Вы используете генетический алгоритм для определения весов, скорее затем надлежащей обратной связи.
Я настоятельно рекомендовал бы этот превосходный ряд Anoop Madhusudanan на Проект .
Кода, Он берет Вас через основные принципы к пониманию, как они работают в легкий понять путь , и показывает Вам, как использовать его brainnet библиотека для создания собственного.
В первую очередь, бросьте любые понятия, что искусственные нейронные сети имеют какое-либо отношение к мозгу, но для передающего подобия сетям биологических нейронов. Изучение биологии не поможет Вам эффективно применить нейронные сети; изучая линейную алгебру, исчисление и теория вероятности будут. Необходимо по крайней мере сделать себя знакомыми с идеей основного дифференцирования функций, цепочечного правила, частные производные (градиент, якобиан и Гессиан), и понимающий умножение матриц и диагонализацию.
Действительно то, что Вы делаете, когда Вы обучаете сеть, оптимизирует большую, многомерную функцию (уменьшение Вашей ошибочной меры относительно каждого из весов в сети), и таким образом, расследование методов для нелинейной числовой оптимизации может оказаться поучительным. Это - широко изученная проблема с большой основой литературы за пределами нейронных сетей, и существует много примечаний лекции в числовой имеющейся в сети оптимизации. Для запуска большинство людей использует простой спуск градиента , но это может быть намного медленнее и менее эффективным, чем более детальные методы как
, После того как у Вас есть основные идеи вниз, можно начать экспериментировать с различными функциями "сплющивания" в скрытом слое, добавив различные виды регуляризации и различные тонкие настройки, чтобы заставить изучение пойти быстрее. См. данная статья для всестороннего списка "лучших практик".
Одной из лучших книг по предмету является Chris Bishop Нейронные сети для Распознавания образов . Это довольно старо этим этапом, но является все еще превосходным ресурсом, и можно часто находить используемые копии онлайн приблизительно за 30$. Глава нейронной сети в его более новой книге, Распознавание образов и Машинное обучение , является также довольно всесторонней. Для особенно хорошего центрального реализацией учебного руководства, видят этого на CodeProject.com , который реализует умный вид сети, названной сверточной сетью, которая ограничивает возможность соединения таким способом как для создания очень хорошим в обучении классифицировать визуальные шаблоны.
Методы опорных векторов и другие методы ядра стали довольно популярными, потому что можно применить их, не зная то что, черт возьми, Вы делаете и часто получаете приемлемые результаты. Нейронные сети, с другой стороны, являются огромными проблемами оптимизации, которые требуют тщательной настройки, хотя они все еще предпочтительны для большого количества проблем, особенно крупномасштабных проблем в доменах как машинное зрение.
Я нашел Основные принципы Fausett Нейронных сетей простым и easy-to-get-into вводным учебником.
http://www.ai-junkie.com/ann/evolved/nnt1.html является ясным введением в многослойный перцептрон, хотя и не описывает алгоритм обратного размножения
можно также взглянуть на сайт generation5.org, на котором представлено множество статей об ИИ в целом и есть несколько замечательных текстов о нейронных сетях
.Я нашел учебник «Вычислительный интеллект» невероятно полезным.
Программирование коллективного интеллекта это обсуждается в контексте алгоритмов поиска и ранжирования. Также в коде, доступном здесь (в гл. 4), концепции, обсуждаемые в книге, иллюстрируются на примере Python.