Vos entités doivent être décomposées en parties pouvant être représentées sous forme de nombres réels. La magie d'un filet Neural est-il est une boîte noire, les associations correctes seront (avec des poids internes) au cours de la formation
Entrées
Choisissez que quelques fonctionnalités qui sont nécessaires pour décrire avec précision la situation, puis décomposer chacun en un ensemble de nombres réels valorisés.
- Météo: [aujourd'hui température, humidité aujourd'hui, hier température, l'humidité hier ...] l'association entre la température d'aujourd'hui et l'humidité d'aujourd'hui est faite en interne
- Statistiques de l'équipe: [hauteur ave, poids ave, hauteur max, plus haut score, ...]
- Dice: pas sûr de comprendre celui-ci, voulez-vous dire comment coder des valeurs discrètes *
- numéro complexe: [a, par intérim, b, bi, ...]
* Les caractéristiques de valeur discrètes sont délicates, mais peuvent toujours être codées comme (0.0.1.0). Le problème est qu'ils ne fournissent pas de gradient pour apprendre le seuil.
Sorties
Vous décidez ce que vous voulez que la sortie à dire, et puis encodez vos exemples de formation dans ce format. Moins il y a de valeurs de sortie, plus il est facile de s'entraîner.
- Météo: [la chance de demain de la pluie, la température de demain ...] **
- Statistiques de l'équipe: [chance de gagner, la chance de gagner plus de 20, ...]
- Complexe numéro: [x, xi ...]
** ici vos formation vecteurs serait: 1.0 s'il a plu le lendemain, 0.0 si elle n'a pas
Bien sûr, si le problème peut réellement être modélisé par un réseau neuronal est une question différente.
quels outils ou bibliothèque utilisez-vous? – dalloliogm
Avoir des exemples en python est inutile, la façon dont vous représentez votre jeu de données en entrée ne dépend pas de votre langage de programmation ... cela dépend du type d'information dont vous avez besoin pour apprendre le réseau de neurones. Peut-être que vous pouvez trouver de bons exemples dans un manuel de cours sur NN (c'est-à-dire évêque "nn for pattern recognition"?). –