Enquanto há muitas leis de aprendizagem que podem ser aplicadas a sistemas neurais, um dos mais populares é a regra ou Back-propagação método generalizado Delta. Durante cada iteração de formação, os pares de dados apresentados para a rede gera uma ow de activação para a frente a partir da entrada para a camada de saída. Então, se as saídas previstas pelo sistema estão incorrectos, uma ow de informação é gerado para trás a partir da camada de saída para a camada de entrada, ajustando os pesos de conexão.
Em seguida, na iteração seguinte de formação, quando o sistema é apresentado com os mesmos dados de entrada emparelhados, será mais preciso na sua previsão. O tempo necessário para executar o treinamento pode ser considerável dependendo da velocidade do seu computador, o número de dias de dados (conhecidos como "fact-dia"), eo número de neurônios em cada camada. Quando o sistema atinge um estado estável, ele está pronto para mais testes. Você pode realizar o teste "andar para a frente", criando um le testes composta de fact-dia que não foram utilizados durante o treinamento.
Dependendo dos resultados do teste, você pode precisar de redesenhar o sistema, incluindo sua arquitetura, a Lei de Aprendizagem, os dados de entrada, ou métodos ea extensão da pré-processamento. Você pode até mesmo necessidade de alterar a saída de previsão que você deseja prever. Ao contrário de formação, durante os testes, as forças de conexão não são ajustados para compensar erros. Se o seu sistema não pode treinar sobre certos dados emparelhados, pode conter informações contraditórias ou ambíguas.
Você deve reexaminar cada um dos seus entradas de dados ou eliminar dados redundantes de entrada massageando métodos antes da reconversão profissionais. Uma vez que sua rede tem treinado com sucesso, é fácil para ele para prever o resultado esperado em tempo real. Tudo que você tem a fazer é fornecer-lhe os dados de entrada necessários, assim como você fez dura