Existe-t-il une ressource qui explique ANN avec simplicité?

Question

J'ai vu de nombreux sites Web et blogs expliquer les RNA (réseaux de neurones artificiels), mais aucun ne prend en compte une procédure étape par étape de développement d'une base pour les personnes qui ne connaissent pas beaucoup les RNA. , qui malheureusement pour moi semble très insaisissable. Existe-t-il des sites/blogs qui, disons, enseignent un simple programme ANN qui peut reconnaître les chiffres générés par ordinateur ou quelque chose d'encore plus simple que les chiffres?

Answer 1

Cette ma liste annotée des meilleurs d'introduction (mais complet) sur les ressources ANN (alias MLP).

Course Notebook, Willamette University Cette ressource est d'environ 25-30 pages au total (entre les sections naviguer à l'aide de la barre latérale sur la partie supérieure droite de cette page ou en cliquant sur suivant ou précédent au bas d'une page donnée). Je pense si fortement de cette ressource pour deux raisons (i) il contient un grand nombre de diagrammes et les intègre bien avec la prose; et (ii) c'est complète - l'architecture du réseau, le calcul qui sous-tend la rétropropagation, la sélection/itération des paramètres de formation (momentum, taux d'apprentissage), etc Le section on back-propagation (le crux de calcul et programmatique de ANN/MLP) est particulièrement bien - combinant la prose, les diagrammes de réseau, et les équations réelles, il explique méticuleusement chaque étape dans une seule époque qui comprend la phase d'entraînement.

IBM developer works class on neural networks Celui-ci, par David Mertz, contient du code de travail (python) et un ensemble de données non-trivial. À l'exception des premiers paragraphes, le document entier suit de près le code et les données. Pour moi, c'est crucial, car à moins que je ne puisse le coder, je ne pense pas l'avoir appris (c'est un seuil personnel, peut-être pas pour d'autres). En dehors de cela, l'accent mis sur le code et l'interaction de ce code avec un ensemble de données fourni maintient la discussion pratiquement fondée. Enfin, les auteurs David Mertz et Andrew Blais ont manifestement une forte maîtrise du sujet.

Generation5 Ceci est le plus basique des trois, donc peut-être celui pour commencer. L'auteur est évidemment au courant des minuties des perceptrons multi-couches mais n'exige pas une telle connaissance du lecteur - c'est-à-dire qu'il explique la rétropropagation comme une solution de bon sens à un problème, sans se reporter aux techniques numériques de solution (ce qui est commun dans de nombreuses références sur MLP - 'backprop est résolu via la descente de gradient'). Et comme la première ressource que j'ai mentionnée, celle-ci repose fortement sur des diagrammes. Plutôt que des données (0 et 1), l'auteur discute de la structure et de la fonction d'un MLP dans le contexte d'un simple scénario d'analyse prédictive, en utilisant la prose plutôt que de réduire le problème aux données numériques.