學神經網路和功放哪個好

1. 支持向量機和神經網路那個前景更好

你好！支持向量機SVM ( Support Vector Machines)是由Vanpik領導的AT&TBell實驗室研究小組
在1963年提出的一種新的非常有潛力的分類技術, SVM是一種基於統計學習理論的模式識別方法，主要應用於模式識別領域.由於當時這些研究尚不十分完善,在解決模式識別問題中往往趨於保守,且數學上比較艱澀,因此這些研究一直沒有得到充的重視.直到90年代,一個較完善的理論體系—統計學習理論 ( StatisticalLearningTheory,簡稱SLT) 的實現和由於神經網路等較新興的機器學習方法的研究遇到一些重要的困難,比如如何確定網路結構的問題、過學習與欠學習問題、局部極小點問題等,使得SVM迅速發展和完善,在解決小樣本 、非線性及高維模式識別問題中表現出許多特有的優勢,並能夠推廣應用到函數擬合等其他機器學習問題中.從此迅速的發展起來，現在已經在許多領域（生物信息學，文本和手寫識別等）都取得了成功的應用。
SVM的關鍵在於核函數，這也是最喜人的地方。低維空間向量集通常難於劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數正好巧妙地解決了這個問題。也就是說，只要選用適當的核函數，我們就可以得到高維空間的分類函數。在SVM理論中，採用不同的核函數將導致不同的SVM演算法
它是一種以統計學理論為基礎的，以結構風險最小化的學習機學習方法，要優於神經網路學習。

2. 學習人工神經網路 出去後找什麼樣的工作

人工神經網路只是一種工具，學會後有這種思想，可以去有招數據處理類的公司。學習的東西只能作為一種手段，一種輔助，公司要你做的肯定有更多變化的，只有你會這種思想，才有可能處理更深的數據處理。

3. 神經網路工具箱與編程實現哪個更好

首先說一下神經網路工具箱，在我剛剛接觸神經網路的時候，我就利用工具箱去解決問題，這讓我從直觀上對神經網路有了了解，大概清楚了神經網路的應用范圍以及它是如何解決實際問題的。
工具箱的優勢在於我們不用了解其內部的具體實現，更關注於模型的建立與問題的分析，也就是說，如果拋開演算法的錯誤，那麼用工具箱來解決實際問題會讓我們能把更多的精力放在實際問題的模型建立上，而不是繁瑣的演算法實現以及分析上。

其次談談編程實現神經網路，由於個人能力有限，所以只是簡單的編程實現過一些基本神經演算法，總的體會就是編程的過程讓我對演算法有了更透徹的理解，可以更深入的分析其內部運行機制，也同樣可以實現一下自己的想法，構建自己的神經網路演算法。

以上是我對兩個方法的簡單理解。那究竟哪個方法更好些呢？我個人的看法是要看使用者的目的是怎樣的。

如果使用者的目的在於解決實際問題，利用神經網路的函數逼近與擬合功能實現自己對實際問題的分析與模型求解，那我的建議就是利用神經網路工具箱，學過編程語言的人都知道，無論用什麼編程語言將一個現有的演算法編程實現達到可用的結果這一過程都是及其繁瑣與復雜的，就拿簡單的經典BP神經網路演算法來說，演算法本身的實現其實並不難，可根據不同人的能力，編出來的程序的運行效率是大不相同的，而且如果有心人看過matlab的工具箱的源碼的話，應該能發現，裡面採用的方法並不完全是純粹的BP經典演算法，一個演算法從理論到實現還要依賴與其他演算法的輔助，計算機在計算的時候難免出現的舍入誤差，保證權值的時刻改變，這都是編程人員需要考慮的問題，可能還有很多的問題
這樣的話，如果自己單人編程去實現神經網路來解決實際問題的話，整體效率就沒有使用工具箱更好。

如果使用者的目的在於分析演算法，構造新的網路的話那當然首推自己編程實現。個人的感覺就是，如果真的是自己完全編程實現的話，對演算法會有很深入的理解，在編程的調試過程中，也會領悟到很多自己從前從來沒有考慮過的問題，像權值的初始的隨機選取應該怎麼樣，將訓練樣本按什麼順序輸入等，這都是編程實現所要考慮的問題，不同的方法得到的結果會有很大的差距。

4. 機器學習目前最熱點的研究方向是什麼

方向如下：

推薦神經網路和深度學習，神經網路是一門重要的機器學習技術。它是目前最為火熱的研究方向——深度學習的基礎。學習神經網路不僅可以讓你掌握一門強大的機器學習方法，同時也可以更好地幫助你理解深度學習技術。

簡介：

人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。

這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

5. 神經網路的學習方式

神經網路的學習方式很多 ， 根據一種廣泛採用的分類方法 ， 可將神經網路的學習演算法
歸納為 3 類 。 一類是有導師學習 ， 一類為無導師學習 ， 還有一類是灌輸式學習 。

6. 普通功放和數字功放哪個好

同檔次下，聲音普通功放好

7. 最近在研究回歸分析，感覺用神經網路來做這個是不是不太合適，因為最終得到的模型在數學上不是很好表達

神經網路也是什麼都能做，確實在解釋上不好。其實神經網路最後一層也是回歸模型，只是輸入層經過了幾層。現在問題是要精度還是解釋。神經網路需要的數據量大，一般回歸模型沒那麼需要數據但精度不夠。

8. 請實話實說，我想知道，研究生階段學習這個神經網路，畢業後的就業情況，另外，跟數學關系很大

研究生階段學習神經網路和就業有關系嗎？研究生光學個神經網路就覺得足夠了嗎？你把這個東西看的太萬能了。鈔票都不是萬能的，更何況神經網路。
現在學工科的讀研不搞點數學不涉及點神經網路都不好意思說自己是研究生，不編程都不好意思說自己會電腦，不發幾篇英文論文都不好意思說自己發過文章。
找工作主要看你腦袋靈活不靈活，會不會說話，會不會吹自己。還有和學校、性別有很大關系。
那個不難學。

9. 神經網路到底能幹什麼

神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
神經網路可以用於模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。

神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。

10. 研究生神經網路專業是學什麼的啊，好不好就業呢

幾乎沒有隻學這個的吧，這只是一種方法而已，屬於人工智慧的方向