比浏览器更快的访问！
24 关系: 反向传播算法，向量，均方误差，多层感知机，定理，人工神经网络，唐纳德·赫布，内积，前向人工神经网络，前馈神经网络，神經元，神经网络，突触，符号函数，线性分类器，特征向量，误差函数，轴突，逻辑异或，树突，梯度，模式识别，法线，机器学习。
反向传播算法
反向传播（Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。 反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种監督式學習方法，虽然它也用在一些无监督网络（如）中。它是多层前馈网络的的推广，可以用链式法则对每层迭代计算梯度。反向传播要求（或“节点”）的激励函数可微。.
新！!: 感知器和反向传播算法 · 查看更多 »
向量
向量（vector，物理、工程等也称作--）是数学、物理学和工程科学等多个自然科學中的基本概念，指一个同时具有大小和方向，且满足平行四边形法则的几何對象。一般地，同时满足具有大小和方向两个性质的几何对象即可认为是向量（特别地，电流属既有大小、又有正负方向的量，但由于其运算不满足平行四边形法则，公认为其不属于向量）。向量常常在以符号加箭头标示以区别于其它量。与向量相对的概念称标量或数量，即只有大小、绝大多数情况下没有方向（电流是特例）、不满足平行四边形法则的量。.
均方误差
在统计学中，均方误差（、MSE）是对于无法观察的参数\theta的一个估计函数T；其定义为： \operatorname(T).
多层感知机
#重定向 多层感知器.
定理
定理（Theorem）是經過受邏輯限制的證明為真的陈述。一般來說，在數學中，只有重要或有趣的陳述才叫定理。證明定理是數學的中心活動。一个定理陈述一个给定类的所有（全称）元素一种不变的关系，这些元素可以是无穷多，它们在任何时刻都无区别地成立，而没有一个例外。（例如：某些a是x，某些a是y，就不能算是定理）。 猜想是相信為真但未被證明的數學敘述，或者叫做命题，當它經過證明後便是定理。猜想是定理的來源，但並非唯一來源。一個從其他定理引伸出來的數學敘述可以不經過成為猜想的過程，成為定理。 如上所述，定理需要某些邏輯框架，繼而形成一套公理（公理系統）。同時，一個推理的過程，容許從公理中引出新定理和其他之前發現的定理。 在命題邏輯，所有已證明的敘述都稱為定理。.
人工神经网络
人工神经网络（Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或類神經網絡，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中樞神經系統，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的講就是具備學習功能。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：.
新！!: 感知器和人工神经网络 · 查看更多 »
唐纳德·赫布
唐纳德·赫布，FRS（Donald Olding Hebb，），加拿大心理学家，在神经心理学领域有重要贡献，致力于研究神经元在心理过程中的作用。他被认为是神经心理学与神经网络之父。 赫布出生于加拿大新斯科舍省切斯特（Chester）。曾就读于戴尔豪斯大学并于1925年获文学士学位。毕业后回家乡中学教书。后来他对西格蒙德·弗洛伊德、威廉·詹姆士、约翰·华生等人的著作产生兴趣，并于1928年进入麦吉尔大学心理学系，成为一名在职研究生。在这里他阅读了查尔斯·谢灵顿、伊万·巴甫洛夫等人的作品，并以优等成绩毕业。1934年进入芝加哥大学学习，师从行为主义心理学家卡尔·拉什利（Karl Lashley）。后跟随拉什利前往哈佛大学，并于1936年获博士学位。 1937年他返回加拿大，在蒙特利尔神经科学研究所（Montreal Neurological Institute）与神经科学家怀尔德·彭菲尔德（Wilder Penfield）一同从事研究。1939年赴女王大学任教。在这里他与肯内特·威廉姆斯（Kenneth Williams）一同发明了用来测试老鼠智力的赫布－威廉姆斯迷宫（Hebb-Williams maze），并证明了“老鼠幼年时期的经历对其成年后解决问题的能力有持久性的影响”，这一结论成为了发展心理学中的重要原理。1942年起他前往耶基斯国家灵长类研究中心（Yerkes National Primate Research Center）工作，并再次与拉什利合作，从事黑猩猩的情绪研究。1947年回到麦吉尔大学任心理学教授，并于次年出任系主任。1949年他出版《行为的组织》（The Organization of Behavior）一书，提出了知名的赫布理论。1970年担任麦吉尔大学校长。1972年退休，并继续担任荣休教授。1980年又回到戴尔豪斯大学任心理学荣休教授。1985年逝世。.
新！!: 感知器和唐纳德·赫布 · 查看更多 »
内积
#重定向 点积.
前向人工神经网络
#重定向前馈神经网络.
新！!: 感知器和前向人工神经网络 · 查看更多 »
前馈神经网络
前馈神经网络（英文：Feedforward Neural Network），為人工智能領域中，最早发明的簡單人工神经网络类型。在它内部，参数从输入层向输出层单向传播。有異於递归神经网络，它的内部不会构成有向环。.
新！!: 感知器和前馈神经网络 · 查看更多 »
神經元
经元（neuron），又名神经原或神经细胞（英語：nerve cell），是神经系统的结构与功能单位之一。神经元能感知环境的变化，再将信息传递给其他的神经元，并指令集体做出反应。神經元佔了神經系統約10%，其他大部分由膠狀細胞所構成。基本構造由樹突、軸突、髓鞘、細胞核組成。傳遞形成電流，在其尾端為受體，藉由化學物質（化学递质）傳導(多巴胺、乙醯膽鹼)，在適當的量傳遞後在兩個突觸間形成電流傳導。 人脑中，神经细胞约有860亿个。其中约有700亿个为小脑颗粒细胞（cerebellar granule cell）。.
神经网络
经网络可以指：.
突触
突触（法语、英语、德语: Synapse）是神经元之间，或神经元与肌细胞、腺体之间通信的特异性接头。神经元与肌肉细胞之间的突触亦称为神经肌肉接头（neuromuscular junction）。 中枢神经系统中的神经元以突触的形式互联，形成神经元网络。这对于感觉和思维的形成极为重要。突触也是中枢神经系统和身体的其它部分，例如肌肉和各种感受器交换信息的渠道。 神经元之间的突触可以分为化学突触和电突触两大类（electrical synapse）。前者的工作机制是一种称为神经递质的信号分子的释放和接收，两个神经元之间没有直接的电气耦合。后者是两个神经元之间的直接电气耦合。化学突触较电突触更为常见，类型更为丰富，下文将着重介绍化学突触。.
符号函数
號函數（Sign function，簡稱sgn）是一個邏輯函數，用以判斷實數的正負號。為避免和英文讀音相似的正弦函數（sine）混淆，它亦稱為Signum function。其定義為： -1 &: & x 0 \end \right.
线性分类器
在機器學習領域，分類的目標是指將具有相似特徵的对象聚集。而一個線性分類器則透過特徵的線性組合來做出分類決定，以達到此種目的。对象的特征通常被描述为特征值，而在向量中则描述为特征向量。.
特征向量
#重定向 特征值和特征向量.
误差函数
在数学中，误差函数（也称之为高斯误差函数）是一个特殊函数（即不是初等函数），其在概率论，统计学以及偏微分方程中都有广泛的应用。它的定义如下：Greene, William H.; Econometric Analysis (fifth edition), Prentice-Hall, 1993, p. 926, fn.
轴突
轴突（Axon）由神经元組成，即神经细胞之细胞本体长出突起，功能為传递细胞本体之动作电位至突觸。於神经系统中，轴突為主要神经信号传递渠道。大量轴突牽連一起，以其外型類似而称为神經纖維。神经常依以其特定功能而命名。例如，视神经指视网膜上的神经细胞。.
逻辑异或
在--邏輯中，逻辑算符互斥或閘（exclusive or）是对两个运算元的一种邏輯分析类型，符号为XOR或EOR或⊕。与一般的邏輯或OR不同，當兩兩數值相同為否，而數值不同時為真。 两个运算元（命题）：A与B的异或一般写成A异或B，或者写成A \quad \mathrm \quad B、A \oplus B、A \neq B等等。在C语言中，写作A^B。.
树突
树突（英语：Dendrites）是神经元解剖结构的一部分，为从神经元的细胞本体发出的多分支突起。树突為神经元的输入通道，其功能是將自其他神经元所接收的动作电位（电信号）传送至細胞本体。其他神经元的动作电位藉由位於树突分支上的多个突触传送至树突上。树突在整合自这些突触所接收到的信号、以及决定此神经元将产生的动作电位强度上，扮演了重要的角色。.
梯度
在向量微积分中，标量场的梯度是一个向量场。标量场中某一点的梯度指向在這點标量场增长最快的方向（當然要比較的話必須固定方向的長度），梯度的絕對值是長度為1的方向中函數最大的增加率，也就是說 |\nabla f|.
模式识别
模式识别（Pattern recognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别、语音识别系统。 计算机识别的显著特点是速度快、准确性高、效率高，在将来完全可以取代人工录入。 识别过程与人类的学习过程相似。以光學字元識別之“汉字识别”为例：首先将汉字图像进行处理，抽取主要表达特征并将特征与汉字的代码存在计算机中。就像老师教我们「这个字叫什么、如何写」记在大脑中。这一过程叫做“训练”。识别过程就是将输入的汉字图像经处理后与计算机中的所有字进行比较，找出最相近的字就是识别结果。这一过程叫做“匹配”。.
法线
三维平面的法线是垂直于该平面的三维向量。曲面在某点P处的法线为垂直于该点切平面（tangent plane）的向量。 法線是与多边形（polygon）的曲面垂直的理論線，一個平面（plane）存在無限個法向量（normal vector）。在電腦圖學（computer graphics）的領域裡，法線決定著曲面與光源（light source）的浓淡处理（Flat Shading），对于每个点光源位置，其亮度取决于曲面法线的方向。.
机器学习
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。.
重定向到这里：
感知元。
