Добрый вечер, дорогие читатели. Я сегодня хотел задеть плюсы и минусы , что б вы понимали, что из этого может выйти. Плюсами являются (Pros) Нейронные сети гибки и могут использоваться как для задач регрессии, так и для классификации. В модели можно использовать любые данные, которые можно сделать числовыми, поскольку нейронная сеть представляет собой математическую модель с функциями аппроксимации.
Нейронные сети хорошо моделируются нелинейными данными с большим количеством входов; например, изображения. Он надежен при решении задач, включающих множество функций. Он работает, разбивая задачу классификации на многоуровневую сеть более простых элементов.
После обучения прогнозы становятся довольно быстрыми.
Нейронные сети можно обучать с любым количеством входов и слоев.
Нейронные сети лучше всего работают с большим количеством точек данных. Минусы (Cons) Нейронные сети - это черные ящики, то есть мы не можем знать, насколько каждая независимая переменная влияет на зависимые переменн
Добрый вечер, дорогие читатели. Я сегодня хотел задеть плюсы и минусы , что б вы понимали, что из этого может выйти.
Плюсами являются (Pros)
Нейронные сети гибки и могут использоваться как для задач регрессии, так и для классификации. В модели можно использовать любые данные, которые можно сделать числовыми, поскольку нейронная сеть представляет собой математическую модель с функциями аппроксимации.
Нейронные сети хорошо моделируются нелинейными данными с большим количеством входов; например, изображения. Он надежен при решении задач, включающих множество функций. Он работает, разбивая задачу классификации на многоуровневую сеть более простых элементов.
После обучения прогнозы становятся довольно быстрыми.
Нейронные сети можно обучать с любым количеством входов и слоев.
Нейронные сети лучше всего работают с большим количеством точек данных.
Минусы (Cons)
Нейронные сети - это черные ящики, то есть мы не можем знать, насколько каждая независимая переменная влияет на зависимые переменные. Обучение с использованием традиционных ЦП требует больших вычислительных ресурсов и времени. Нейронные сети во многом зависят от данных обучения. Это приводит к проблеме переобучения и обобщения. Режим больше полагается на данные обучения и может быть настроен на эти данные.