5203
Kompatibel zu Mathematica 12

Wolfram Mathematica Neural Networks

Design und Analyse von neuronalen Netzwerken

Mit dem Mathematica-Zusatzpaket Neural Networks wird der Anwender in die Lage versetzt, neuronale Netzwerke aufzubauen, zu visualisieren, diese Modelle zu trainieren und durchzutesten. Das Zusatzpaket unterstützt eine große Bandbreite von neuronalen Netzwerkstrukturen, einschließlich der radialen Basisfunktion, Feedforward, dynamische, Hopfield, Perceptron, Vektor-Quantisierung, nicht überwachte und Kohone Netzwerke. Es beinhaltet zudem state-of-the-art Trainingsalgorithmen, wie Levenberg-Marquardt, Gauss-Newton und das Verfahren der "steilsten Abnahme". Die Trainingsalgorithmen selbst lassen sich modifizieren und sind damit ebenfalls lernfähig.

Neural Networks ist mit speziellen Funktionen ausgestattet, um typische Probleme in der Datenanalyse anzusprechen, wie Approximationsfunktionen, Klassifizierung und Erkennung, Cluster, nicht-lineare Zeitreihen und Probleme nicht-linearer Systemidentifikation.

Der Einsatz von Neural Networks ist für fortgeschrittene und für weniger erfahrene Anwender geeignet. Die enthaltenen Paletten erleichtern die Eingabe der Parameter für die Analyse, Auswertung und das Training der Daten. Das online verfügbare Handbuch enthält zahlreiche detaillierte Anwendungsbeispiele, welche die unterschiedlichen Modelle neuronaler Netzwerke veranschaulichen. Zahlreiche Probleme können durch die Übertragung der Befehle aus diesen Beispielen auf die eigenen Daten gelöst werden. Neural Networks stellt darüber hinaus zahlreiche Optionen zum Modifizieren der Trainingsalgorithmen zur Verfügung. Die bereits eingesetzten Standardwerte erzeugen bei zahlreichen verschiedenen Problemen gute Ergebnisse, so dass der Anwender mit wenigen Befehlen einen schnellen Einstieg findet. Mit wachsender Erfahrung wird ein Anwender diese Algorithmen anpassen, um die Leistungs, Geschwindigkeit und Genauigkeit der neuronalen Netzwerkmodelle zu verbessern.

Neural Networks und Mathematica bilden eine robuste Umgebung zur Modellierung, in der neuronale Netzwerke schneller und einfacher als jemals zuvor getestet und erforscht werden können.

Weitere Informationen zu Einsatzbereichen und Features erhalten Sie auf den Webseiten von Wolfram Research

Hinweis: Das Wolfram Application Pack Neural Networks ist ab Version 11 in Mathematica enthalten.

Features

Features

Einfach zu erlernen und einzusetzen

  • Nur wenige konstruierte Funktionen so dass nur ein Minimum der Information vom Anwender spezifiert werden muss.
  • Gut organisierte Paletten mit Befehls-Templates, Optionen, Links zur online verfügbaren Dokumentation.
  • Intelligente Initialisierungsalgorithmen, das Training beginnt so mit guter Leistung und Geschwindigkeit.
  • Umfangreiche Dokumentation einschließlich einer Einführung in die Theorie zu neuronalen Netzwerken sowie sehr anschauliche Anwendungsbeispiele.

Unterstützung für bewiesene Paradigmen neuronaler Netzwerke

  • Unterstützung für die meisten der allgemein verwendeten Netzwerkstrukturen, einschließlich radialer Basisfunktion, Feedforward, dynamischer, Hopfield, Perceptron, Vektor Quantisierung, nicht überwachte und Kohonen-Netzwerke.
  • Unterstützung für erweiterte Trainingsalgorithmen, einschließlich Levenberg-Marquardt, Gauss-Newton und steilste Abnahme und sowohl
    für herkömmliche Algorithmen einschließlich Rückverteilung mit und ohne Bewegungsenergie.
  • Unterstützung für typisch neuronale Netzwerkanwendungen einschließlich Funktionsapproximierung, Klassifikation, Modellierung dynamischer
    Systeme, Zeitreihen, selbst-assoziativem Speicher, Cluster und selbst-verwalteten Karten.

Leistungsfähige Modellierungsumgebung

  • Visualisierungswerkzeuge für das Betrachten von Netzwerkmodellen, des Anpassungsprozesses und der Netzwerkperformance.
  • Spezielles Netzwerkobjekt, um den Netzwerktyp zu identifizieren und dessen Parameter und Eigenschaften aufzulisten.
  • Spezielle Aufzeichnung des Trainings, um Zwischenzustände des Lernprozesses zu behalten.
  • Funktionen mit zahlreichen fortgeschrittenen Optionen, um die Trainingsalgorithmen zu modizieren und zu steuern.
  • Unterstützung für neuronale Netzwerke mit einer beliebigen Anzahl versteckter Layer und einer beliebigen Anzahl von Neuronen (versteckter Neuronen) in jedem Layer.
  • Zugang zu allen Mathematica-Funktionen, um neue Algorithmen zu entwickeln oder um weitere Manipulationen an neuronalen Netzwerkstrukturen auszuführen.

Schnell und Zuverlässig

  • Optimierung von Ausdrücken vor einer numerischen Auswertung, um die Anzahl der Operationen zu minimieren und die Rechenlast zu reduzieren.
  • Kompiler-Befehl mit dem kompilierter Code direkt an Mathematicaübergeben werden kann, um die Rechengeschwindigkeit zu erhöhen.
  • Spezielle Funktionen zur Leistungsauswertung sind enthalten, um die Qualität einer Abbildung zu validieren und illustrieren.