开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用随机分布初始化自组织映射和使用网络的第一个输入进行初始化有什么区别吗？

使用随机分布初始化自组织映射和使用网络的第一个输入进行初始化在自组织映射（Self-Organizing Map，SOM）中有一些区别。

随机分布初始化：在随机分布初始化中，SOM的权重矩阵会被随机赋予初始值。这意味着每个神经元的权重都是独立且随机的，没有特定的模式或结构。这种初始化方法适用于没有先验知识的情况下，可以帮助网络自行学习数据的结构和特征。
使用网络的第一个输入进行初始化：在使用网络的第一个输入进行初始化时，SOM的权重矩阵将根据第一个输入样本的特征进行初始化。这意味着网络的初始状态将受到第一个输入样本的影响，权重矩阵的结构可能会更接近于第一个输入样本的特征。这种初始化方法适用于已经具有一些先验知识或期望的情况下，可以加速网络的收敛和学习。

总结来说，随机分布初始化适用于没有先验知识的情况下，而使用网络的第一个输入进行初始化适用于已经具有一些先验知识或期望的情况下。具体选择哪种初始化方法取决于具体的应用场景和需求。

腾讯云相关产品和产品介绍链接地址：

自组织映射（SOM）相关产品：腾讯云暂未提供特定的自组织映射相关产品，但可以利用腾讯云的弹性计算服务（Elastic Compute Service，ECS）搭建自己的SOM网络。
弹性计算服务（ECS）产品介绍：https://cloud.tencent.com/product/ecs

相关搜索:使用预初始化列表进行迭代和使用ienumerable/iqueryable进行迭代有什么区别？因此，我建立了一个神经网络模型，用于使用tensorflow keras对狗和猫进行分类，但它的准确性并没有提高。有什么建议吗？js打印一直是object js css 时间戳防缓存 js如何验证验证码是否一致 js面对对象class结构 vc 调用js com组件 js删除对象指定位置之后的 js+key为对象的map js点击按钮修改文本域内容

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

机器学习day16自组织映射神经网络

先固定当前的正态分布不变，获取每个点由每个数据点生成的概率。然后固定改生成概率不变，根据数据点和生成概率，获取更佳的正态分布，如此循环反复，直至参数收敛。得到合理的一组正态分布。

02

非监督学习

想比于监督学习，非监督学习的输入数据没有标签信息，需要通过算法模型来挖掘数据内在的结构和模式。非监督学习主要包含两大类学习方法：数据聚类和特征变量关联。其中，聚类算法往往是通过多次迭代来找到数据的最优分割，而特征变量关联则是利用各种相关性分析来找到变量之间的关系。

01

使用自组织映射神经网络（SOM）进行客户细分|附代码数据

最近我们被客户要求撰写关于自组织映射神经网络（SOM）的研究报告，包括一些图形和统计输出。

03

R语言实现SOM（自组织映射）模型（三个函数包+代码）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/50651403

05

如何利用matlab做BP神经网络分析（利用matlab神经网络工具箱）[通俗易懂]

最近一段时间在研究如何利用预测其销量个数，在网上搜索了一下，发现了很多模型来预测，比如利用回归模型、时间序列模型，GM（1,1）模型，可是自己在结合实际的工作内容，发现这几种模型预测的精度不是很高，于是再在网上进行搜索，发现神经网络模型可以来预测，并且有很多是结合时间序列或者SVM（支持向量机）等组合模型来进行预测，本文结合实际数据，选取了常用的BP神经网络算法，其算法原理，因网上一大堆，所以在此不必一一展示，并参考了bp神经网络进行交通预测的Matlab源代码这篇博文，运用matlab 2016a,给出了下面的代码，并最终进行了预测

01

使用自组织映射神经网络（SOM）进行客户细分

_自组织_映射神经网络（SOM）是一种无监督的数据可视化技术，可用于可视化低维（通常为2维）表示形式的高维数据集。在本文中，我们研究了如何使用R创建用于客户细分的SOM。

03

R语言使用自组织映射神经网络（SOM）进行客户细分

自组织映射神经网络（SOM）是一种无监督的数据可视化技术，可用于可视化低维（通常为2维）表示形式的高维数据集。在本文中，我们研究了如何使用R创建用于客户细分的SOM。

00

基线估计(一)：Self-Organizing Maps在异常检测与定位中的应用

在前文中，我们提到了基线估计的背景，标准定义，以及目前常用的手段[1]。从本文开始，我们将针对前文提到的手段，详细论述具体的算法如何应用到生产环境中。

02

bp神经网络应用实例(简述bp神经网络)

clear; clc; TestSamNum = 20; % 学习样本数量 ForcastSamNum = 2; % 预测样本数量 HiddenUnitNum=8; % 隐含层 InDim = 3; % 输入层 OutDim = 2; % 输出层 % 原始数据 % 人数(单位：万人) sqrs = [20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 ... 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63]; % 机动车数(单位：万辆) sqjdcs = [0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6... 2.7 2.85 2.95 3.1]; % 公路面积(单位：万平方公里) sqglmj = [0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 ... 0.56 0.59 0.59 0.67 0.69 0.79]; % 公路客运量(单位：万人) glkyl = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 ... 22598 25107 33442 36836 40548 42927 43462]; % 公路货运量(单位：万吨) glhyl = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 ... 13320 16762 18673 20724 20803 21804]; p = [sqrs; sqjdcs; sqglmj]; % 输入数据矩阵 t = [glkyl; glhyl]; % 目标数据矩阵 [SamIn, minp, maxp, tn, mint, maxt] = premnmx(p, t); % 原始样本对(输入和输出)初始化 SamOut = tn; % 输出样本 MaxEpochs = 50000; % 最大训练次数 lr = 0.05; % 学习率 E0 = 1e-3; % 目标误差 rng('default'); W1 = rand(HiddenUnitNum, InDim); % 初始化输入层与隐含层之间的权值 B1 = rand(HiddenUnitNum, 1); % 初始化输入层与隐含层之间的阈值 W2 = rand(OutDim, HiddenUnitNum); % 初始化输出层与隐含层之间的权值 B2 = rand(OutDim, 1); % 初始化输出层与隐含层之间的阈值 ErrHistory = zeros(MaxEpochs, 1); for i = 1 : MaxEpochs HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层网络输出 NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输出层网络输出 Error = SamOut - NetworkOut; % 实际输出与网络输出之差 SSE = sumsqr(Error); % 能量函数(误差平方和) ErrHistory(i) = SSE; if SSE < E0 break; end % 以下六行是BP网络最核心的程序 % 权值(阈值)依据能量函数负梯度下降原理所作的每一步动态调整量 Delta2 = Error; Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut); dW2 = Delta2 * HiddenOut'; dB2 = Delta2 * ones(TestSamNum, 1); dW1 = Delta1 * SamIn'; dB1 = Delta1 * ones(TestSamNum, 1); % 对输出层与隐含层之间的权值和阈值进行修正 W2 = W2 + lr*dW2; B2 = B2 + lr*dB2; % 对输入层与隐含层之间的权值和阈值进行修正 W1 = W1 + lr*dW1; B1 = B1 + lr*dB1; end HiddenOut = logsig(W1*SamIn + repmat(B1, 1, TestSamNum)); % 隐含层输出最终结果 NetworkOut = W2*HiddenOut + repmat(B2, 1, TestSamNum); % 输

03

自组织映射（Self-organization map | SOM）

自组织神经网络SOM是基于无监督学习方法的神经网络的一种重要类型。自组织映射网络理论最早是由芬兰赫尔辛基理工大学Kohen于1981年提出的。此后，伴随着神经网络在20世纪80年代中后期的迅速发展，自组织映射理论及其应用也有了长足的进步。

02

竞争型神经网络续1

1.竞争神经网络函数 1.1创建函数 1.1.1 newc函数 newc函数用于创建一个竞争层，这是一个旧版本的函数，现在用competlayer函数代替。函数调用格式： net = newc(range,class,klr,clr); 其中，class是数据类别个数，也是竞争层神经元的个数；klr和clr分贝是网络的权值学习速率和阈值学习速率。竞争型网络在训练时不需要目标输出，网络通过对数据分布特性的学习，自动地将数据划分为制定类别数。返回参数net是一个新的竞争层。该网络采用negdist作为权值函数

最值得关注的10大深度学习算法

下图展示了传统机器学习算法与深度学习技术在数据量方面的性能比较。从图表中可以明显看出，随着数据量的增加，深度学习算法的性能也随之提升。

01

人工智能-人工神经网络

道法自然，久藏玄冥：神经网络的生理学背景 ---- 人工神经网络的生理学背景，也对人类认知的物理基础与工作机制做了简单的介绍，其要点如下：思维过程是神经元的连接活动过程，由大量突触相互动态联系着的众

04

十大深度学习算法的原理解析

深度学习是机器学习的子集，它基于人工神经网络。学习过程之所以是深度性的，是因为人工神经网络的结构由多个输入、输出和隐藏层构成。每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。得益于这种结构，机器可以通过自身的数据处理进行学习。

02

维度规约（降维）算法在WEKA中应用

主成分分析（PCA）是一种统计算法，用于将一组可能相关的变量转换为一组称为主成分的变量的不相关线性重组。简而言之，主要组成部分，ÿ，是我们数据集中变量的线性组合， X，那里的权重， ËĴŤ是从我们的数据集的协方差或相关矩阵的特征向量导出的。

02

SOM学习笔记1

SOM网络有两层，分别是InputLayer和OutputLayer。InputLayer与OutputLayer通过权值相连，InputLayer即输入层，其输入一般为高维度向量。OutputLayer的神经元一般放置在二维网格中，输出层近邻的神经元也通过权值连接。如下图所示，红色小圆表示输入向量，通过射线（权值）投射到X-Y的平面网格上。

02

MLK | 非监督学习最强攻略

"MLK，即Machine Learning Knowledge，本专栏在于对机器学习的重点知识做一次梳理，便于日后温习，内容主要来自于《百面机器学习》一书，结合自己的经验与思考做的一些总结与归纳，本次主要讲解的内容是机器学习里的非监督学习经典原理与算法，非监督，也就是没有target（标签）的算法模型。"

05

暑期追剧学AI (4) | 人工智能关键概念“神经网络”是什么？不信看完这个视频你还不懂！

大数据文摘作品，转载要求见文末翻译 | Chelle 曾维新校对| Sophie 时间轴&压制 | 毯子后台回复“字幕组”加入我们！人工智能中的数学概念一网打尽！欢迎来到YouTube网红小哥Siraj的系列栏目“The Math of Intelligence”，本视频是该系列的第四集，讲解神经网络背后的数学原理。本期视频时长11分钟，来不及看视频的小伙伴，可以先拉到视频下方看文字部分。后续系列视频大数据文摘字幕组会持续跟进，陆续汉化推出。全部课表详见： https://github.com

06

R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析|附代码数据

自组织映射（SOM）是一种工具，通过生成二维表示来可视化高维数据中的模式，在高维结构中显示有意义的模式（点击文末“阅读原文”获取完整代码数据******** ）。

02

数据驱动的设备故障预测

在提设备故障预测之前，我们先来说说设备健康预测，因为设备故障预测是PHM（故障预测与健康管理）的组成部分。设备健康预测是指根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态（未来的健康状态），包括确定部件或系统的剩余寿命或正常工作的时间长度；其中剩余寿命研究可分为两种：一种是估计或预测平均剩余寿命，另一种是计算剩余寿命的概率分布。

05

一文概览无监督聚类算法有多少 | 算法基础（10）

数据聚类算法可以分为划分法、层次法、密度算法、图论聚类算法、网格算法、模型算法，通过对样品或指标进行分类的一种多元统计分析方法，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集（subset），这样让在同一个子集中的成员对象都有相似的一些属性。

02

人工神经网络简介(人工智能神经网络技术)

本文主要对人工神经网络基础进行了描述，主要包括人工神经网络的概念、发展、特点、结构、模型。

04

推荐系统常用算法介绍_基于内容推荐算法

原文链接：https://www.cnblogs.com/zhangyang520/p/10969951.html

03

聚类分析—大数据时代数据挖掘的关键突破口

导读：人类文明已迈入大数据时代，得“数据”者得天下，而数据处理技术是必不可少的，那么说到大数据分析中的应用，最常用的经典算法之一就是聚类法，这是数据挖掘采用的起步技术，也是数据挖掘入门的一项关键技术。

08

AI算法领域常用的39个术语（下）

生成对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。生成对抗网络(GAN)由两个重要部分构成：生成器和判别器。

00

人工智能学习路线“六小撇步”

高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。

01

人工智能“六步走”学习路线

高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础

02

《人工神经网络》期末复习文档汇总

人工神经网络定义：由许多简单的并行工作的处理单元组成的系统，功能取决于网络的结构、连接强度及个单元处理方式。

03

竞争型神经网络

自组织神经网络(self-Organization Mapping net,SOM)是基于无监督学习方法的神经网络的一种重要类型。自组织神经网络是神经网络最富有美丽的研究领域之一，它能够通过其输入样本学会检测其规律性和输入样本相互之间的关系，并且根本这些输入样本的信息自适应调整网络，使网络以后的响应与输入样本相适应。竞争型神经网络的神经元通过输入信息能够识别成组的相似输入向量；自组织神经网络通过学习同样能够识别成组的相似输入向量，使那些网络层中彼此靠得很近的神经元对相似输入向量产生响应。与竞争型神经网络不同

05

聚类算法总结

（本文转自网上，具体出处忘了是哪里的，好像是上海一位女士在网上的博文，此处转载，用以备查，请原作者见谅）聚类算法总结： --------------------------------------------------------- 聚类算法的种类：基于划分聚类算法（partition clustering)

04

17个机器学习的常用算法！

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 1.监督式学习：

06

大数据之机器学习常见算法分类汇总

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里IT经理网为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习

06

【机器学习】14种机器学习常见算法分类汇总！

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学

08

【干货】机器学习常见算法分类汇总

作者|王萌转自|IT经理网 (www.ctocio.com) 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会

机器学习常见算法分类汇总

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。

04

机器学习常见算法分类汇总

来源： IT经理网链接：www.ctocio.com/hotnews/15919.html 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学

04

【机器学习】机器学习常见算法分类汇总

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按

【机器学习】14种机器学习常见算法分类汇总！

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学

python人工智能学习路线

高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础、线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。

03

【陆勤践行】机器学习的几种主要学习方法

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。在机器学习领域，有几种主要的学习方法。将算法按照学习方法分类是一个不错的想法，这样可以让人们

09

【机器学习】机器学习的几种主要学习方法

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。爱吧机器人网认为，将算法按照学习方法分类是一个不错的想法，这样可以让人们在建模和算法选择的时

05

机器学习，学前概览

学习了这么多年，越发感觉自己不会学习，越发的意识到死读书，读死书的套路已经行不通了，于是我想稍微改变一下学习方法，首先总览全局，高屋建瓴，之后再逐一突破！效果如何，从今天开始见证！

04

机器学习算法：人工神经网络、深度学习

学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样

05

【陆勤阅读】机器学习算法汇总：人工神经网络、深度学习及其它

摘要：机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里我们将为您总结一下常见的机器学习算法，以供您在工作和学习中参考。【编者按】机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。本文来自IT经理网。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机

常见机器学习算法汇总：人工神经网络、深度学习及其它

【编者按】机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。本文来自IT经理网。以下为原文：学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结

07

14种机器学习常见算法分类汇总！

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学

06

SOM(Self-Organizing Maps) 聚类算法

SOM（Self-Origanizing Maps），自组织映射网络，是一种基于神经网络的聚类算法。有时候也称为 SOFM（Self-Origanizing Features Maps）。SOM 是一个单层的神经网络，仅包含输入层和计算层。

04

【综述专栏】SOM(自组织映射神经网络)——理论篇

在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。

02

人工神经网络简介

概要：人工神经网络简称神经网络，是基于生物学中神经网络的基本原理。一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的

07

【干货】人工智能之机器学习算法体系汇总

机器学习脉络（高清图片微信后台回复：“脉络”获取）监督学习 Supervised learning Fisher的线性判别 Fisher's linear discriminant 线性回归 Lin

09

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭