machine-learning - 是否有资源可以简单地解释 ANN？

Question

我看过很多网站和博客解释 ANN(人工神经网络)，但没有一个网站和博客考虑到为不太了解 ANN 的人逐步开发基础的过程，而是投入了很多数学，不幸的是对我来说看起来非常难以捉摸。是否有任何网站/博客教授一个简单的 ANN 程序，可以识别计算机生成的数字或比数字更简单的东西？

Answer 1

这是我带注释的关于ANN(又名MLP)的最佳介绍性(但完整)资源的列表。

Course Notebook, Willamette University该资源总共约 25-30 页(使用本页右上角的侧边栏或单击给定页面底部的下一个或上一个在各个部分之间导航页)。我对这个资源的评价如此之高有两个原因:(i)它包含大量图表并将它们与散文很好地结合起来； (ii) 它全面——网络架构、反向传播基础的微积分、选择/迭代训练参数(动量、学习率)等。section on back-propagation (ANN/MLP 的计算和编程关键)特别好——结合了散文、网络图和实际方程，它细致地解释了包含训练阶段的单个时期中的每一步。

IBM developer works class on neural networks这个由 David Mertz 编写，包含工作代码 (python) 和一个重要的数据集。除了前几段之外，整个文档都紧密遵循代码和数据。对我来说，这是至关重要的，因为除非我能编写它，否则我认为我还没有学会它(这是个人阈值，可能对其他人不起作用)。除此之外，对代码以及该代码与提供的数据集的交互的关注使讨论保持了实际的基础。最后，作者 David Mertz 和 Andrew Blais 显然对主题有很强的把握。

Generation5这是三者中最基本的，所以也许可以从这个开始。作者显然了解多层感知器的细节，但不需要读者具备这样的知识——也就是说，他将反向传播解释为问题的常识性解决方案，而不遵循数值求解技术(这在 MLP 的许多引用文献中很常见——“反向传播是通过梯度下降来解决的”)。就像我提到的第一个资源一样，这个资源很大程度上依赖于图表。作者不是使用数据(0 和 1)，而是在简单的预测分析场景中讨论 MLP 的结构和功能，使用散文而不是将问题简化为数值数据。