패턴 인식

표본의 입력값 및 클래스를 사용하여 일반화가 가능하도록 신경망 훈련, 오토인코더 훈련

앱

2계층 피드포워드 신경망을 사용하여 패턴 인식 문제 풀기

Autoencoder Autoencoder 클래스

`nprtool`	신경망 패턴 인식 앱 열기
`view`	얕은 신경망 보기

`trainAutoencoder`	오토인코더 훈련
`trainSoftmaxLayer`	분류를 위해 소프트맥스 계층 훈련
`decode`	인코딩된 데이터 디코딩
`encode`	입력 데이터 인코딩
`predict`	훈련된 오토인코더를 사용하여 입력값 재생성
`stack`	여러 오토인코더의 인코더들을 한꺼번에 누적
`network`	`Autoencoder` 객체를 `network` 객체로 변환

`patternnet`	패턴 인식 신경망 생성
`lvqnet`	학습 벡터 양자화 신경망

얕은 신경망을 사용한 패턴 인식
패턴 인식에 얕은 신경망을 사용합니다.
Deploy Shallow Neural Network Functions
Simulate and deploy trained shallow neural networks using MATLAB^® tools.
Deploy Training of Shallow Neural Networks
Learn how to deploy training of shallow neural networks.

병렬 및 GPU 연산을 사용한 얕은 신경망
병렬 및 분산 연산을 사용하여 신경망 훈련과 시뮬레이션의 속도를 높이고 대규모 데이터를 처리합니다.
Automatically Save Checkpoints During Neural Network Training
Save intermediate results to protect the value of long training runs.

신경망 입력-출력 처리 함수 선택하기
더 효율적인 훈련을 위해 입력값과 목표값을 전처리합니다.
얕은 신경망의 입력값과 출력값 구성하기
configure 함수를 사용하여 훈련에 앞서 신경망을 수동으로 구성하는 방법을 알아봅니다.
최적의 신경망 훈련을 위해 데이터 분할하기
함수를 사용하여 데이터를 훈련, 검증 및 테스트 세트로 분할합니다.
다층 신경망 훈련 함수 선택하기
여러 문제 유형에 대한 훈련 알고리즘의 성능 비교.
얕은 신경망 일반화를 개선하고 과적합 방지하기
일반화를 개선하고 과적합을 방지하는 방법을 알아봅니다.
Train Neural Networks with Error Weights
Learn how to use error weighting when training neural networks.
Normalize Errors of Multiple Outputs
Learn how to fit output elements with different ranges of values.

신경망 설계를 위한 워크플로
신경망 설계 과정의 주요 단계를 알아봅니다.
Four Levels of Neural Network Design
Learn the different levels of using neural network functionality.
얕은 다층 신경망과 역전파 훈련
함수 피팅 및 패턴 인식을 위한 얕은 다층 피드포워드 신경망 설계 워크플로입니다.
얕은 다층 신경망 아키텍처
얕은 다층 신경망의 아키텍처에 대해 알아봅니다.
얕은 신경망 데이터 구조 이해하기
입력 데이터 구조의 형식이 신경망 시뮬레이션에 어떤 영향을 주는지 알아봅니다.
얕은 신경망을 위한 샘플 데이터 세트
얕은 신경망 실험에 사용할 수 있는 샘플 데이터 세트의 목록입니다.
신경망 객체 속성
신경망의 기본 특징을 정의하는 속성을 알아봅니다.
신경망 하위객체 속성
입력값, 계층, 출력값, 목표값, 편향 및 가중치와 같이 신경망 세부 사항을 정의하는 속성을 알아봅니다.