有監督神經網路模型有哪些

『壹』 多層感器有監督學習是不是可以理解為BP神經網路

多層感知器不是一個具體的神經網路，它是一種神經網路模型的結構，bp神經網路的模型的確是多層感知器，不過bp神經網路是利用bp演算法來優化網路的，可以理解為
bp神經網路 = 多層感知器 + bp演算法

『貳』 人工神經網路有哪些類型

人工神經網路模型主要考慮網路連接的拓撲結構、神經元的特徵、學習規則等。目前，已有近40種神經網路模型，其中有反傳網路、感知器、自組織映射、Hopfield網路、波耳茲曼機、適應諧振理論等。根據連接的拓撲結構，神經網路模型可以分為：

（1）前向網路 網路中各個神經元接受前一級的輸入，並輸出到下一級，網路中沒有反饋，可以用一個有向無環路圖表示。這種網路實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自於簡單非線性函數的多次復合。網路結構簡單，易於實現。反傳網路是一種典型的前向網路。

（2）反饋網路 網路內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網路的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。Hopfield網路、波耳茲曼機均屬於這種類型。

學習是神經網路研究的一個重要內容，它的適應性是通過學習實現的。根據環境的變化，對權值進行調整，改善系統的行為。由Hebb提出的Hebb學習規則為神經網路的學習演算法奠定了基礎。Hebb規則認為學習過程最終發生在神經元之間的突觸部位，突觸的聯系強度隨著突觸前後神經元的活動而變化。在此基礎上，人們提出了各種學習規則和演算法，以適應不同網路模型的需要。有效的學習演算法，使得神經網路能夠通過連接權值的調整，構造客觀世界的內在表示，形成具有特色的信息處理方法，信息存儲和處理體現在網路的連接中。
根據學習環境不同，神經網路的學習方式可分為監督學習和非監督學習。在監督學習中，將訓練樣本的數據加到網路輸入端，同時將相應的期望輸出與網路輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經多次訓練後收斂到一個確定的權值。當樣本情況發生變化時，經學習可以修改權值以適應新的環境。使用監督學習的神經網路模型有反傳網路、感知器等。非監督學習時，事先不給定標准樣本，直接將網路置於環境之中，學習階段與工作階段成為一體。此時，學習規律的變化服從連接權值的演變方程。非監督學習最簡單的例子是Hebb學習規則。競爭學習規則是一個更復雜的非監督學習的例子，它是根據已建立的聚類進行權值調整。自組織映射、適應諧振理論網路等都是與競爭學習有關的典型模型。
研究神經網路的非線性動力學性質，主要採用動力學系統理論、非線性規劃理論和統計理論，來分析神經網路的演化過程和吸引子的性質，探索神經網路的協同行為和集體計算功能，了解神經信息處理機制。為了探討神經網路在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會發揮作用。混沌是一個相當難以精確定義的數學概念。一般而言，「混沌」是指由確定性方程描述的動力學系統中表現出的非確定性行為，或稱之為確定的隨機性。「確定性」是因為它由內在的原因而不是外來的雜訊或干擾所產生，而「隨機性」是指其不規則的、不能預測的行為，只可能用統計的方法描述。混沌動力學系統的主要特徵是其狀態對初始條件的靈敏依賴性，混沌反映其內在的隨機性。混沌理論是指描述具有混沌行為的非線性動力學系統的基本理論、概念、方法，它把動力學系統的復雜行為理解為其自身與其在同外界進行物質、能量和信息交換過程中內在的有結構的行為，而不是外來的和偶然的行為，混沌狀態是一種定態。混沌動力學系統的定態包括：靜止、平穩量、周期性、准同期性和混沌解。混沌軌線是整體上穩定與局部不穩定相結合的結果，稱之為奇異吸引子。

『叄』 神經網路監督學習有啥用！

你預測出來結果總得知道對與錯或者誤差是多少吧，監督學習就好比是告訴你正確答案的

『肆』 有監督和無監督學習都各有哪些有名的演算法和深度學習

• 深度學習

• 編輯

• 深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。[1]

• 深度學習的概念由Hinton等人於2006年提出。基於深度置信網路(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。[1]

• 深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。[2]

『伍』 bp神經網路是有監督還是無監督

bp神經網路是有監督。

BP神經網路是最基礎的神經網路，其輸出結果採用前向傳播，誤差採用反向（Back Propagation）傳播方式進行。BP神經網路是有監督學習，不妨想像這么一個應用場景：輸入數據是很多銀行用戶的年齡、職業、收入等，輸出數據是該用戶借錢後是否還貸。

作為銀行風控部門的負責人，你希望建立一個神經網路模型，從銀行多年的用戶數據中學習針對銀行客戶的風控模型，以此判定每個人的信用，並決定是否放貸。

基本原理

人工神經網路無需事先確定輸入輸出之間映射關系的數學方程，僅通過自身的訓練，學習某種規則，在給定輸入值時得到最接近期望輸出值的結果。作為一種智能信息處理系統，人工神經網路實現其功能的核心是演算法。

BP神經網路是一種按誤差反向傳播（簡稱誤差反傳）訓練的多層前饋網路，其演算法稱為BP演算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網路的實際輸出值和期望輸出值的誤差均方差為最小。

『陸』 人工神經網路：有監督的學習和無監督的學習優劣勢比較

沒有最好，適合就好。
具體問題自己分析了。

『柒』 什麼是神經網路有監督學習規則

就是知道結果的。

『捌』 有監督學習和無監督學習的區別

1、機器學習按照方法來分類，可以分成四類，分別是：監督學習、無監督學習、半監督學習和強化學習。
2、監督學習針對有標簽數據集，它通過學習出一個模型（其實就是一個函數）來擬合數據，按照模型（函數）的輸出結果是否離散又可以分為兩類，分別是：（1）輸出結果為離散值，則為分類問題（常見的分類演算法：KNN、貝葉斯分類器、決策樹、SVM、神經網路、GBDT、隨機森林等）；（2）輸出結果為連續值，則為回歸問題（有線性回歸和邏輯回歸兩種）。
3、無監督學習針對沒有標簽的數據集，它將樣本按照距離劃分成類簇，使得類內相似性最大，類間相似性最小。通過觀察聚類結果，我們可以得到數據集的分布情況，為進一步分析提供支撐。常見的聚類演算法有K-means、高斯混合模型和LDA。

『玖』 監督學習的神經網路是啥意思！

用樣本去訓練一個BP網路，然後用新的樣本作為輸入，再通過這個已經訓練好的BP網路，得到的數據就是模擬的結果，這就是BP網路模擬。我們訓練一個BP網路就好像是在訓練一個神經系統，然後用這個已經具備分析能力的神經系統去分析事情，這就是為什麼要模擬，說到底就是為了用。模擬的作用你可以從BP神經網路的用途上去看，例如很經典的可以用來做分類器等。你用不同類別的樣本（輸入+對應的期望輸出）作為訓練，然後給出一個新的輸入，BP網就能給你這個所屬的類別。