预测你的考试成绩。要使用机器学习方法，我们首先需要一些数据。假设你记录了最近三次考试的学习时间、睡眠时间和考试成绩。我们将使用 Python 编程语言将数据存储在二维空间中。现在我们有了一些数据，我们将用它来训练一个模型，根据你的睡眠时间和学习时间来预测你下次考试的成绩，这被称为监督回归问题。之所以说它是监督回归问题，是因为我们的示例有输入和输出。之所以说它是回归问题，是因为我们预测的是你的考试成绩，而这个成绩是连续的输出。如果我们预测的是你的字母等级，那么这应该被称为分类问题，而不是回归问题。中有大量模型。
这里我们将使用一种特别有 电话号码数据库 趣的模型，叫做人工神经网络。它大致基于神经元和大脑的工作方式，最近在解决非常大、非常困难的问题上取得了特别大的成功。在将数据输入模型之前，我们需要考虑数据单位的差异：我们的输入都是以小时为单位，但输出是测试分数的量表。
神经网络很聪明，但还不足以猜测数据的单位，这有点像要求我们的模型比较苹果和橘子。大多数学习模型实际上只想比较苹果和苹果。解决方案是将数据缩放到模型只识别标准化单位的程度。在这里，我们将利用所有数据均为正数这一事实，简单地除以每个变量的最大值，从而有效地将结果缩放到 0 到 1 之间。现在我们可以构建我们的神经网络了。
我们知道我们的网络必须有两个输入和一个输出，因为这些是我们数据的维度。我们将输出层称为“Y”，因为它是对“Y”的估计， 但如果您因为出现了未包含您的 但与“Y”不同。输入层和输出层之间的任何层都称为隐藏层。最近，研究人员构建了具有许多隐藏层的网络，这些网络被称为深度信念网络，深度学习一词由此诞生。
这里我们将使用一个包含三个隐藏单元的隐藏层，但如果我们想要构建一个深度神经网络，我们只需将多个这样的层堆叠在一起即 印度尼西亚号码列表可。图中圆圈代表神经元，直线代表突触。突触的功能很简单：它们将输入值乘以特定的权重，然后输出结果。
神经元稍微复杂一些，它们的作用是将所有突触的输出加在一起，并应用激活函数。某些激活函数允许神经网络对简单的模型可能忽略的复杂非线性模式进行建模。在我们的人工神经网络应用中，我们将使用S 型激活函数。然后，我们可以建我们的神经网络。