神經網路模型
我理解的神經網路模型類似人的記憶，即人從出生到長大，接觸、吸收外部資訊並且將外部事物量化、統一化、概念化的過程，以此去指導一生的行為。
實際上，神經網路模型ann是由大量的簡單基本元件組成，每個元件的結構和功能都比較簡單，但是眾多的神經元組合所產生的系統卻非常複雜。神經網路模型屬於一種較為智慧型的判別過程，對於變數型別並沒有過多要求，可以有效地識別事物的不同特徵以及模式，例如不完全的資訊、複雜的非線性特徵等等。
通常，工作中使用的神經網路模型為弱能的神經網路，其智慧型程度猶如青蛙、老鼠的智力。目前，較為深層的神經網路模型已經開發了出來，例如谷歌的阿爾法狗便是深層的神經網路，其背後的演算法支撐即為貝葉斯演算法。
其實，並不需要過多的了解、關注神經網路模型背後的底層結構，工作中只需要會使用就可以了。
神經網路是黑箱
專案過程中，很多人會問到使用的建模方法是什麼，通常，這個問題我真的很難回答。如果模型的中間層為神經網路，那麼該層即為黑箱。
我將作為黑箱的隱含層理解為模型的分析過程，每乙個隱節點看做乙個感知器，即可以產生多個超平面用於**或者分類，也就是說，這樣的黑箱如同人的思考、判斷過程，當然了，優缺點並存，神經網路模型在解決**類問題時具有非常多的優點，但是，神經網路模型也極大的限制了我們對於變數間具體關係的描述。
資料探勘的速度
資料探勘領域中，速度非常重要，其重要程度甚至超過了模型的精度，很多業務場景的資料探勘專案中，往往不惜犧牲商業價值，也要追求速度。
神經網路模型也好、決策樹模型也好、聚類也好，甚至市場細分模型組合也好，很多都是速度問題，一般我會從幾個角度去解決資料探勘模型的速度問題：
模型並不是一成不變的，在模型更新維護的過程中，通常的做法是將新資料納入原資料樣本中進行模型的更新迭代，這樣便會導致樣本更加的龐大，增加了時間成本。一般我僅僅使用新增的資料對模型進行更新，可以理解為人的思維方式，人在學習新鮮事物的時候，並不是回到1歲的狀態重新開始學習，不是麼？
ann建模過程
神經網路模型的建模過程：
建模中的坑
構建神經網路模型的過程中需要注意的大坑很多，例如：
個人**：
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路簡介 多層神經網路
如上圖所示，該神經網路有三層。我們標記第一層 也就是輸入層 為a 1 第一層與第二層連線權重為w 1 然後第一層輸入與第一層權重的線性和為z 1 第一層神經元個數為n 1 並依次標記剩餘網路層。可以看出，存在 z l j i 1 n l a l i w l i,j a l w l j a l 1 f...