深度学习:Flache and tiefe Netze

深度学习在Fachgebiet，在künstliche neuronale Netze zurückgreift。一字不误faltende neuronale Netze楚Klassifizierung冯Bildern，视频，文字奥德吨。

这是我们的神经网络，我们的神经网络是我们的基础flacheneuronale Netzebezeichnet。深度学习-Netze können bis zu einhundert Schichten aufweisen。我们可以用机器学习，我们可以用它来学习。

Deep Learning eignet ssonders gut für complex Anwendungen zur Identifizierung wie Gesichtserkennung, die Übersetzung von Texten and die Spracherkennung。我们可以使用这个例子来说明技术für现代的fahrassistenzsysteme和我们可以使用fahrspuen的Klassifikation和Verkehrsschildern的Erkennung。

麻省理工学院neuronalen Netzen verwendete Techniken

Verbreitete Machine Learning-Techniken für den Entwurf von Anwendungen mit künstlichen neuronalen Netzen sind überwachtes und unüberwachtes Lernen, Klassifikation, Regression, Mustererkennung and Clustering。

ÜberwachtesLernen

贝überwachtenneuronalen Netzenhandelt ES SICH嗯Netze，死entsprechend trainiert wurden，嗯死gewünschtenAusgaben在Reaktion奥夫采样Eingaben祖erhalten。Diese Netze eignen SICH besonders肠道献给DAS Modellieren UND St​​euern dynamischer Systeme的，DAS Klassifizieren verrauschter回到名单Daten UND模具VorhersagezukünftigerEreignisse。死深度学习工具箱™umfast vier Arten überwachter Netze:前馈，辐射Basisfunktion, dynamische und lenende Vektorquantisierung。

分类

分类形式为überwachten机器学习，其算法为“lernt”，新算法为Beispielen gekennzeichneter Daten zu klassifizieren。

回归

回归模型是我们所能得到的最优模型(Ausgabe)和最优模型(Eingabe)。

Mustererkennung

我们可以用计算机视觉künstlicher neuronaler Netzanwendungen来表达。我想把我的名字写在下面:überwachter订购unüberwachter Klassifizierung我想把我的名字写在下面。

北德计算机视觉werden beispielsweise Techniken德überwachtenMustererkennung楚optischen Zeichenerkennung（OCR），Gesichtserkennung，Objekterkennung UND Objektklassifizierung verwendet。林Bereich Bildverarbeitung UND计算机视觉dienen Techniken德unüberwachtenMustererkennung德Objekterkennung UND Bildsegmentierung。

UnüberwachtesLernen

Unuberwachte neuronale Netze我想去旅行，请您给我一辆新汽车。我能从他那里得到启示，我能从他那里得到启示。该死的人写了natürliche Verteilungen, Kategorien和kategoriiebeziehungen innerhalb von Daten erkennen。

聚类

聚类在unüberwachten Lernens的Ansatz, bei dem künstliche neuronale Netze ur explorativen datenanalyze herangezogen werden, um verborgene Muster oder Gruppierungen in Daten zu finden。我想把我的日期写在Ähnlichkeit上。Anwendungen苏珥Clusteranalyseumfassen死Gensequenzanalyse，Marktforschung UND Objekterkennung。

Neben Tools und Funktionen zur Verwaltung groe ßer Datenmengen bietetMATLAB^®spezielle Toolboxes für die Arbeit mit Machine Learning, künstlichen neuronalen Netzen, Deep Learning, Computer Vision and autonomem Fahren。

麻省理工学院淖尔wenigen CodezeilenkönnenSIE在MATLAB neuronale Netze entwickeln，指数ohne EIN Experte盛祖müssen。Verlieren SIE keine时代周报，ERSTELLEN UND visualisieren SIE Modelle UND stellen SIE Modelle奥夫Servern UND嵌入式Gerätenbereit。

麻省理工学院MATLAB können您可以在Ihre vorhandenen Anwendungen integrieren中进行积分。MATLAB automatisiert die Bereitstellung Ihrer Modelle mit künstlichen neuronalen Netzen auf Unternehmenssystemen, in cluster, in Clouds and auf Embedded Geräten。

Typischer工作流程献给巢穴Entwurf neuronaler Netze

Jede Anwendung是一名神经学家。Bei der Entwicklung des Netzes werden jedoch im Allgemeinen die genden Schritte durchgeführt:

1. Datenzugriff和-vorbereitung
2. Erstellung des künstlichen neuronalen Netzes
3. 他是我的朋友，也是我的朋友
4. 最优的Netzparameter (gewicichtungen和Bias-Werte)，嗯Leistung zu steigeron
5. Trainieren des Netzes
6. 这是对涅策的认可
7. Integrieren DES Netzes在EIN Produktionssystem

Klassifikation UND聚类flacher Netze

MATLAB和die Deep Learning Toolbox bieten Befehlszeilenfunktionen and Apps für die Erstellung, das Training and die Simulation flacher neuronaler Netze。应用程序erleichtern as Entwickeln neuronaler Netze für Aufgaben wie Klassifikation, Die Regression (einschließlich Zeitreihen-Regression)和聚类。我们可以在这里输入代码können您可以在MATLAB中使用自动程序代码，我可以在这里输入自动程序。

Vorverarbeitung，Nachverarbeitung UND Verbessern Ihres Netzes

我们可以在Netzeingaben和Ziele erhöht中找到训练神经元的有效方法。Durch die nachverbeitung wieinedetaillierte analyze der Netzleistung möglich。MATLAB和金宝app^®bieten工具，麻省理工学院田园SIE：

• 死Dimensionen冯Eingabevektoren mittels Hauptkomponentenanalyse verringernkönnen
• EINE Regressionsanalyse zwischen Netzantwort UND entsprechenden Zielendurchführenkönnen
• Eingaben UND Ziele skalierenkönnen，sodass SIE IM Bereich [-1,1] liegen
• Mittelwert- und standardabichung des Trainingsdatensatzes normalisieren können
• BEIM ERSTELLEN Ihrer Netze automatische Datenvorverarbeitung UND Datenaufteilung verwendenkönnen

Durch Verbesserung der Fähigkeit zur Verallgemeinerung des Netzes wid eine Überanpassung(过拟合)vermieden, die beim Entwerfen künstlicher neuronaler Netze经常出现问题。我们可以去Überanpassung我们可以去哪里，我们可以去哪里，我们可以去哪里，我们可以去哪里。我们可以Überanpassung handelt我们可以使用verhältnismäßig kleinen Fehler im trainingset。迪塞尔·费勒先生可以到我们的网站去看他的作品。请您到我这里来Vermeidung von Überanpassung。

Mit den folgenden beiden Lösungen können您可以告诉我

• 的军队Regularisierungwird死Rechenleistungsfunktion DES Netzes（d。小时。DER Messwert DES Fehlers，DER第三人以巢穴Trainingsvorgang minimiert werden SOLL）modifiziert。第三人以Einbeziehung DERGrößen冯Gewichtungen UND偏差 - Werten wird mittels Regularisierung EIN茨标准化。创建，DAS MIT书房Trainingsdaten sehr肠道funktioniert UND奥赫MIT neuen回到名单Daten EIN glatteres Verhalten zeigt。
• Vorzeitiges Anhalten请接受我们的培训Datensätzen, nämlich他们的培训，嗯，gewictungen和Bias-Werte aktualisieren, and dem Validierungssatz，嗯，培训和halten, sobald as Netz damit begin，日期übermäßig anzupassen。