報告人:鍾聖彥

1. 組員: 陳業 98131422
鍾聖彥98131511
劉冠亨98130665
王偉儒98130401
何偉昌98131075
老師:許慶昇

2. AGENDA
艾柏特‧愛因斯坦
甚麼是類神經網路
應用
利用WEKA實作類神經網路例子
結論
分工

3. 艾柏特‧愛因斯坦的腦

4. 關於愛因斯坦的腦最新的研究

5. 甚麼是類神經網路???

6. 類(人工)神經網路
（ARTIFICIAL NEURAL NETWORKS, ANN）
又名:
分散式處理器（parallel distributed processors)
適應系統（adaptive systems）
自我組織系統（self-organizing systems）
神經計算機（neurocomputers）
連接機構（connectionism）
神經網路（neural networks）

7. 甚麼是類神經網路
跟神經有甚麼關係

8. 以研究生物神經網路來說
人腦:
• 巨量的平行運算與分散處理的能力
• 10的11次方約等於一千億個神經細胞
• 每個神經細胞又有四個突觸(synapses)
又與其他細胞連結。
• 構成巨大且複雜的神經網路
突觸:神經細胞與神經細胞的連接點，作用是讓訊息在神經細胞之間傳遞

9. 以機器學習的角度來說:
類神經網路是指
利用電腦來”模仿”生物神經網路的處理系統。

10. 定義
• 類神經網路是一種計算系統(軟體與硬體)
• 利用大量簡單的相連人工神經元來模仿生物神經網路
• 人工神經元是生物神經元的簡單模擬
• 外界環境或者其它人工神經元取得資訊
• 透過簡單的運算
• 輸出其結果到外界環境或者其它人工神經元

11. 簡單來說:
神經網路主要是由許多神經元(Artificial Neurons)或節點(Nodes)所組成，
神經元是生物神經元的簡單模擬，它從外界環境或其它神經元取得資訊
，並以簡單的運算程序後輸出其結果到外界或其它神經元。

12. Connections: Weights(連結權重)

13. 在一個最簡單的神經網路架構中
外部環境或其他
神經元的資訊
結果
多個神經元
處理

14. 輸入層
「層」是由多個節點所組成，使網路內節點的連結可以
簡化視為層與層之間的連結。
輸入層在網路架構中為接受資料並輸入訊息之一方，通
常以一層表示

15. 隱藏層（HIDDEN LAYER）：
介於輸入層與輸出層之間，使用非線性轉換函數，
其層內之節點數中無標準方法可以決定，通常需以試驗
方式來決定其最佳數目，
並提供神經網路處理單元間的交互作用與問題的內在架
構的能力。

16. 類神經網路的特性
與人類相似，具有以下幾種特性:
1.平行處理
早期人工智慧平行處理的研究只集中在小程度
的平行，而最近已朝向超大型方向進行。
2.容錯(fault tolerance)
其在操作上具有很高之容忍度，整個神經網路
都會參與解決問題之運作。
3.結合式記憶(Associative Memory)
它可以記憶曾經訓練過的輸入樣式以及對應的
理想輸出值。

17. 4.解決最佳化(Optimization)問題
可用於處理非演算法表示的問題，或是以演算
法處理很費時者。
5.超大型積體電路實作(VLSI Implementation)
神經網路的結構具有高度的互相連接
(interconnection)，而且簡單，有規則性
(regularity)，易以超大型積體電路(VLSI)來完
成。

18. TYPES OF ANN(類神經網路的類型): (依學習型式)
(1)Supervise Learning (監督式學習型):己知分類,並有一組輸入及期
望值可供訓練網路,例如: Perceptron, BPN, PNN, LVQ, CPN
(2)Unsupervise Learning(非監督式學習型): 己知分群,不斷透過輸實
例來做修正學習, 例:SOM, ART
(3)Associative memory Learning(關聯記憶學習型):直接訓練並記憶
所訓練過的所有對照資料 or 圖形,例: Hopfield
(4)Optimization Application(最佳化應用型):找尋最佳解, 例: ANN,
HTN

19. RESEARCH APPLICATION AREA
(類神經網路應用領域):
Classification(分類)
Clustering(分群)
Prediction(預測)
Memorizing(聯想)
Learning(學習)
Optimization(最適化)
Control(控制)
Recognition(辨識)
Decision-making(決策)

20. 實際應用

21. MORE……
信用評估
管制圖判讀
顧客篩選
銷售預測
製程監控
製程控制
石油探勘
汔車診斷
工廠排程
資源配置
股價預測
投資決策
稅務稽查
代款審核
債券分級
醫學診斷
氣象預測

22. 利用WEKA實作類神經網路例子

23. 使用工具-WEKA
http://www.cs.waikato.ac.nz/ml/weka/downloading.html

24. 分工
陳業 98131422 :收集資料
鍾聖彥98131511 :收集資料與統整+報告
劉冠亨98130665 :收集資料
王偉儒98130401 :收集資料
何偉昌98131075 :收集資料

25. 結論

26. 參考資料
http://www2.tech.purdue.edu/cit/Courses/CIT499d/Weka_lab_4.htm WEKA
http://www.csie.nctu.edu.tw/~kensl/AIrpt.htm
http://www.dls.ym.edu.tw/neuroscience/ein_c.html