人工智能神经网络算法（2020版）

人工智能神经网络算法主要有六中，2020年其实发展挺快的，这几天接触了各大媒体的人工智能机器学习，很有意思，于是开始从最简单的机器算法——神经网络训练算法入手；以前觉得机器学习很高级，超级高等数学，线性代数，数理统计无处不在。

人工智能神经网络算法主要有六中，2020年其实发展挺快的，这几天接触了各大媒体的人工智能机器学习，很有意思，于是开始从最简单的机器算法——神经网络训练算法入手；以前觉得机器学习很高级，超级高等数学，线性代数，数理统计无处不在。入坑发现果然是真的！但是项目例题驱动的学习比以考试不及格为目的的学习更有效率，更实用！在学习了遗传算法和神经网络算法后，我认为谨慎地看待数学(甚至是蒙特卡洛和马尔科夫问题)是没问题的，但是将数理统计应用于解决实际问题的程序是两回事。主要还是需要打代码。以下是今天机器学习中神经网络学习的入门记录，希望对同样是入门，共同进步的哥们有所帮助！

一、主题闲置
神经网络学习——顾名思义，它类似于我们人类的学习模式，模拟神经元的活动，在神经系统中执行信息处理、记忆存储、反馈等生物机制功能。其实这就是机器学习算法的共性。所有智能算法都善于发现生活中常见的情节，并将其扩展到计算模拟的范畴，如遗传算法、fireworks算法、蚁群算法、模拟退火算法等。
神经网络学习是人工智能领域的基本算法之一。它是由心理学家麦卡洛克和数学家皮茨在1943年提出的一个数学模型。之后不断改进发展到今天。其主要应用领域涉及模式识别、智能机器人、非线性系统识别、知识处理等。
二、算法理论
2.1。人工神经元模型
神经元模型
这里我们先解释一下机器学习的一些特点。一般来说，机器学习的核心是学习。这个学习过程就是通过知识来训练机器。例如，我们通过大量的青蛙图像数据样本输入训练算法，这使得我们给这个程序算法一个新的青蛙图像。它可以利用训练数据的学习来判断我们给它的新图像数据是青蛙。所以机器学习算法是将变量输入到算法中，算法通过分析和反馈进行判断，最后做出结果。
上图是简化的神经元模型。我们的Xi是一系列输入变量，与它的箭头方向相对应的是一个权重系数。权重系数是为了消除样本数据的偏差，通常是0到1之间的rand函数。是通过输入变量Xi与其自身权重系数Wi的乘积之和输入到神经元的。此时神经元得到输入变量的乘积和它们的权重的累积和。结果通过映射函数F(x)得到。以上是一个简单的神经元模型和信息传递过程。也可以简化为下面的数学推导公式：我们可以把输入变量和对应的权值转化成矩阵乘法，这在Matlab运算中非常有利。