基本設計

浅いニューラル ネットワークによるデータのあてはめ

データセットにあてはめるように浅いニューラル ネットワークに学習させます。

浅い多層ニューラル ネットワークの作成、構成、初期化

浅い多層ニューラル ネットワークを準備します。

浅い多層ニューラル ネットワークの学習と適用

関数近似またはパターン認識に対して浅い多層ネットワークの学習を行い、そのネットワークを使用します。

学習後の浅いニューラル ネットワークの性能分析

ネットワーク性能の分析、学習プロセス、ネットワーク アーキテクチャ、またはデータの調整を行います。

学習済みニューラル ネットワーク関数の配布

MATLAB^® ツールを使用して、学習済みニューラル ネットワークのシミュレーションと配布を行います。

ニューラル ネットワークの学習の配布

ネットワークの学習を配布する方法を学習します。

学習のスケーラビリティおよび効率性

並列計算および GPU コンピューティングを使用したニューラル ネットワーク

ニューラル ネットワークの学習とシミュレーションを高速化し、大規模データを処理するために、並列計算および分散コンピューティングを使用します。

ニューラル ネットワーク学習時のチェックポイントの自動保存

長時間にわたる学習の実行の成果を保護するために、中間結果を保存します。

ニューラル ネットワークの学習の速度とメモリの最適化

ニューラル ネットワークの学習を効率化します。

最適解

ニューラル ネットワーク入出力処理関数の選択

効率的に学習を行うために入力およびターゲットを前処理します。

ニューラル ネットワークの入出力の構成

学習させる前の、関数 configure を使用したネットワークの手動による構成方法を学びます。

ニューラル ネットワークの最適な学習のためのデータの分割

関数を使用してデータを学習セット、検証セット、およびテスト セットに分割します。

多層ニューラル ネットワークの学習関数の選択

異なるタイプの問題について学習アルゴリズムを比較します。

浅いニューラル ネットワークの汎化の改善と過適合の回避

汎化の改善方法と過適合の防止方法について学習します。

誤差の重みを使用したニューラル ネットワークの学習

ニューラル ネットワークに学習させるときに誤差の重み付けを使用する方法を学習します。

複数出力の誤差の正規化

値の範囲が異なる複数の出力要素をあてはめる方法を学習します。