基本設計

浅いニューラル ネットワークの時系列予測およびモデル化

Neural Network Time Series アプリおよびコマンド ライン関数を使用して、時系列予測を行います。

時系列時間遅れニューラル ネットワークの設計

時系列予測のための集中時間遅れニューラル ネットワーク (FTDNN) の設計を学習します。

ニューラル ネットワークの複数ステップの予測

ニューラル ネットワークの複数ステップの予測について学習します。

時系列 NARX フィードバック ニューラル ネットワークの設計

外生入力を伴う非線形自己回帰ネットワーク (NARX) を作成して学習を行います。

層再帰型ニューラル ネットワークの設計

層再帰型ネットワーク (LRN) である動的ネットワークを作成して学習を行います。

浅いニューラル ネットワーク関数の配布

MATLAB^®ツールを使用して、学習済みの浅いニューラル ネットワークのシミュレーションと配布を行います。

浅いニューラル ネットワークの学習の配布

浅いニューラル ネットワークの学習を配布する方法を学習します。

磁気浮上のモデル化

この例では、NARX (外部入力を伴う非線形自己回帰) ニューラル ネットワークによって磁気浮上動的システムをモデル化する方法を説明します。

学習のスケーラビリティおよび効率性

並列計算および GPU コンピューティングを使用したニューラル ネットワーク

ニューラル ネットワークの学習とシミュレーションを高速化し、大規模データを処理するために、並列計算および分散コンピューティングを使用します。

ニューラル ネットワーク学習時のチェックポイントの自動保存

長時間にわたる学習の実行の成果を保護するために、中間結果を保存します。

ニューラル ネットワークの学習の速度とメモリの最適化

ニューラル ネットワークの学習を効率化します。

最適解

ニューラル ネットワーク入出力処理関数の選択

効率的に学習を行うために入力およびターゲットを前処理します。

浅いニューラル ネットワークの入出力の構成

学習させる前の、関数configureを使用したネットワークの手動による構成方法を学びます。

ニューラル ネットワークの最適な学習のためのデータの分割

関数を使用してデータを学習セット、検証セット、およびテスト セットに分割します。

多層ニューラル ネットワークの学習関数の選択

異なるタイプの問題について学習アルゴリズムを比較します。

浅いニューラル ネットワークの汎化の改善と過適合の回避

汎化の改善方法と過適合の防止方法について学習します。

誤差の重みを使用したニューラル ネットワークの学習

ニューラル ネットワークに学習させるときに誤差の重み付けを使用する方法を学習します。

多出力の誤差の正規化

値の範囲が異なる複数の出力要素をあてはめる方法を学習します。