我见过许多网站和博客解释神经网络（人工神经网络），但没有一个考虑到为不太了解人工神经网络的人开发基础的一步一步的过程，而是他们投入了很多数学，对我来说不幸的是看起来非常难以捉摸。是否有任何网站/博客，例如，教授一个简单的ANN程序，可以识别计算机生成的数字或比数字更简单的东西？
答案 0 :(得分：7)
这是我在 ANN （又名 MLP ）上的最佳入门（但完整）资源的注释列表。
Course Notebook, Willamette University此资源总共约25-30页（使用本页右上角的侧边栏或点击 next 或 previous 在给定页面的底部）。我认为这个资源非常重要有两个原因（i）它包含大量的图表并很好地将它们与散文相结合; （ii）它是综合 - 网络架构，反向传播的基础演算，选择/迭代训练参数（动量，学习率）等。section on back-propagation（ ANN / MLP的计算和程序关键特别好 - 结合散文，网络图和实际方程，它精心解释了包含训练阶段的单个时期的每一步。
IBM developer works class on neural networks这个由David Mertz撰写，包含工作代码（python）和一个非平凡的数据集。除前几段外，整个文档都严格遵循代码和数据。对我来说，这是至关重要的，因为除非我能编码，否则我认为我没有学到它（这是个人门槛，可能不适合其他人）。除此之外，对代码的关注以及该代码与提供的数据集的交互使得讨论实际上保持了基础。最后，作者David Mertz和Andrew Blais显然对这个主题有很强的掌握。
Generation5这是三者中最基本的，所以也许是最开始的。作者显然知道多层感知器的细节，但不需要阅读器的这种知识 - 即，他将反向传播解释为问题的常识解决方案，而不是推迟数值解决方案技术（这在MLP的许多参考文献中很常见 - 'backprop通过梯度下降来解决'）。就像我提到的第一个资源一样，这个资源很大程度上依赖于图表。作者不是使用数据（0和1），而是在简单的预测分析场景的背景下讨论MLP的结构和功能，使用散文而不是将问题简化为数值数据。