Redes neurales

* Prólogo
* Las solicitudes de Redes Neuronales
* La Inspiración Biológica
* El modelo artificial básica
* Utilizando una red neuronal
* Recolección de datos para redes neuronales
* Resumen
* Pre-y post-procesamiento
* Multilayer Perceptron
* La formación de múltiples capas Perceptrones
* El algoritmo de propagación hacia atrás
* El excesode aprendizaje y generalización
* Selección de datos
* Miradas en torno a MLP Formación
* Otros algoritmos MLP Formación
* Funciones de Base Radial Redes
* Probabilísticos Redes Neuronales
* Redes neuronales de regresión generalizada
* Redes lineales
* SOFM Redes
* Clasificación de Redes Neuronales
* Clasificación Estadística
* Los problemasde regresión en las Redes Neuronales
* Tiempo de predicción de la serie en Redes Neuronales
* La selección de variables y la reducción de dimensionalidad
* Conjuntos y remuestreo
* Recomendaciones Los libros de texto
Muchos de los conceptos relacionados con la metodología de redes neuronales se explican mejor si se ilustran con aplicaciones de un programa de redes neuronalesespecíficas. Por lo tanto, esta sección contiene muchas referencias a STATISTICA Neural Networks, una completa aplicación de redes neuronales en particular, están disponibles en StatSoft.
Prólogo
Las redes neuronales han visto una explosión de interés en los últimos años, y están siendo aplicadas con éxito a través de una extraordinaria variedad de dominios de problemas, en áreas tan diversas como lasfinanzas, medicina, ingeniería, geología y física. De hecho, en cualquier lugar que hay problemas de predicción, clasificación o control, las redes neuronales se están introduciendo. Este éxito arrollador se puede atribuir a una serie de factores clave:
* De energía. Las redes neuronales son técnicas de modelización muy sofisticado capaz de modelar funciones muy complejas. En particular, lasredes neuronales son no lineales (un término que se analiza con más detalle más adelante en esta sección). Durante muchos años, modelos lineales se ha utilizado la técnica de frecuencia en el modelado de dominios ya que la mayoría de modelos lineales han conocido la optimización de estrategias de bien. Cuando la aproximación lineal no es válida (que fue con frecuencia el caso) los modelos sufridoen consecuencia. Las redes neuronales también mantienen en jaque a la maldición de la dimensionalidad problema que aqueja a los intentos de modelar funciones no lineales con un gran número de variables.
* Facilidad de uso. Las redes neuronales aprenden con el ejemplo. La red neuronal recoge datos del usuario representante, y después invoca algoritmos de entrenamiento para aprender de formaautomática la estructura de los datos. Aunque el usuario tiene que tener algún conocimiento heurístico de cómo seleccionar y preparar los datos, cómo seleccionar una red neuronal apropiado, y cómo interpretar los resultados, el nivel de conocimiento de los usuarios necesarios para aplicar con éxito las redes neuronales es mucho menor de lo que se el caso de utilizar (por ejemplo) un poco mástradicionales métodos estadísticos no lineales.
Las redes neuronales son también intuitivamente atractivo, pues se basan en un modelo de crudo de bajo nivel de los sistemas neuronales biológicos. En el futuro, el desarrollo de este modelo neurobiológico puede llevar a los equipos realmente inteligente.

 Las solicitudes de Redes Neuronales
Las redes neuronales son aplicables en una situaciónprácticamente todos en el que una relación entre las variables predictoras (independientes, insumos) y variables predictoras (dependientes, salidas) existe, aun cuando esa relación es muy compleja y no es fácil de expresar en los términos usuales de "correlaciones "o" las diferencias entre los grupos. " A unos pocos ejemplos representativos de los problemas a los que el análisis de redes neuronales se ha...