章一引言
1．1人工神經網路的提出 1
．智慧型的含義
八個方面（智慧型是感知的基礎）。
2．智慧型與人工智慧
智慧型是個體認識客觀事物和運用知識解決問題的能力。而人工智慧（
ai）則是研究怎麼樣讓計算機模仿人腦從事推理、設計、思考學習等思維活動，以解決和處理較複雜的問題。
3．學派
對於人工智慧的研究主要分為
3個學派：符號主義學派（或叫符號
/邏輯主義學派）、聯接主義學派（或叫並行分布處理學派）、進化主義學派（或叫行動
/相應學派）。
符號主義學派
資訊需要在一定的載體上以一定的形式表達出來。
假說：乙個物理系統表現智慧型行為的充要條件：他是乙個物理符號系統。
與傳統的人工智慧系統的關係：
傳統的人工智慧系統就是以物理符號系統為基礎的。問題必須通過形式化處理後，才能表達和處理。
形式化的第一步：
抽象——捨棄與完整表達物理系統之間的矛盾。
形式化的困難：
對全域性性判斷、模糊資訊處理、多粒度的視覺資訊處理十分困難。
【可否用非形式化的事物本身去解決非形式化的事物？】
聯接主義學派
智慧型的本質是連線，神經網路是乙個由大量簡單的處理單元組成的高度複雜的大規模非線性自適應系統。
對人工神經網路理解：（
1）物理結構：廣泛連線的複雜系統；（
2）計算模擬：大規模模擬並行處理系統；（
3）儲存與操作：資訊的分布存放（對容錯、聯想的支援）；（
4）訓練
物理符號系統
人工神經網路
思維形式
高階低階
出發點心理學
仿生學擅長
模擬邏輯思維
模擬形象思維1．
2人工神經網路的特點
三大特點：資訊的分布表示、運算的全域性並行和區域性操作、處理的非線性
1．人工神經網路的概念 （
1）pdp模型：較複雜（2
）拓撲角度闡釋：人工神經網路是乙個非線性的有向圖，圖中含有可以通過改變權大小來存放模式的加權邊，並且可以從不完整的或未知的輸入找到模式。
2．學習能力
人工神經網路的的學習過程：不斷地從所接受的樣本中提取該集合所蘊含的基本的東西，並將其以神經元之間的聯接權重的形式存放於系統之中。
3．普化能力
運算的不精確——對微小的輸入不反應——「去噪音，容殘缺」
4．資訊的分布存放 bp
神經網路再次學習時破壞已學會的東西，重新來過。
5．適用性
（1）對大量資料進行分類，類別不多；
（2）學習乙個複雜的非線性對映。1．
3其他人工神經網路的精度低——應用受限——解決方法：結合傳統的人工智慧技術——先將其作為初步的篩選工具，而後再用傳統的方法提高精度。
【低階思維與高階思維的配合也許就是人的大腦的主要思維方式。】
目前主要的研究方向：
（1）開發現有的模型的應用，在應用中，根據實際情況對模型、演算法加以改造，以提高訓練速度和準確度；
（2）在理論上，尋求新的突破，建立新的通用或專用模型和演算法；
（3）進一步對生物神經系統進行研究，不斷豐富對人腦的認識。
人工神經網路 多層神經網路
模型原型 sklearn.neural network.mlpclassifier hidden layer sizes 100,activation relu algorithm adam alpha 0.0001,batch size auto learning rate constant le...
人工神經網路
人工神經網路 artificial neural network,ann 通過對大量歷史資料的計算來建立分類和 模型。神經網路的學習就是通過迭代演算法對權值逐步修改優化的過程。學習的目標是通過修改權值是訓練樣本集中所有樣本都能被正確分類。人工神經元用於模擬生物神經元，人工神經元可以看作乙個多輸入 單...
人工神經網路
import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns from sklearn.model selection import train test splitann建模...