☆ 1、如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
      ☆ 2、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續消化；
      ☆3、合格的學員可享受免費推薦就業機會。
      ☆4、合格學員免費頒發相關工程師等資格證書，提升您的職業資質。

• NeuroSolutions 是一個可用于windows 平臺的高度圖形化的神經網絡開發工具。該軟件在業界處于領先位置，其將模塊化，基于圖標的網絡設計界面，先進的學習程序和遺傳優化進行了結合。該款可用于研究和解決現實世界的復雜問題的神經網絡設計工具在使用上幾乎無限制。
• 神經網絡是一個漫長而復雜的數學方程式，NeuroSolutions旨在使新技術和高級神經網絡開發人員都能輕松獲取該技術。神經網絡分析有三個基本階段：在數據上訓練網絡，測試網絡的準確性以及根據新數據進行預測/分類。只有NeuroSolutions Excel界面中的Express Builder才能通過一個簡單的步驟自動完成所有這些操作！
• ?
• 易于使用的Excel界面
• 借助NeuroSolutions Excel界面，您可以更輕松的快速入門解決問題。NeuroSolutions中的Excel界面為用戶提供了易于使用且直觀的界面，可以輕松設置模擬，自動構建，訓練和測試多個神經網絡拓撲，并生成易于閱讀的結果報告，包括性能極佳的模型。
• ?
• NeuroSolutions的主要功能
• ?
• 輸入投影
• 通過自動將多條信息映射至單一輸入，進一步減小了輸入的規模
• 輸入優化
• 通過貪婪搜索回除法和其他方法自動決定有用的輸入
• CUDA GPU處理
• NeuroSolutions的用戶可以通過使用NeuroSolutions CUDA插件管理NVIDIA顯卡的強大處理能力
• 更快的處理速度
• 軟件改進了對多核處理器的使用，優化了可執行編碼，這都使得訓練時間極大的減少
• 支持向量機回歸
• 支持向量機回歸（SVM-R）
• 增強了隨機神經網絡的支持
• 神經模糊
• 其神經模糊系統(CANFIS)模型集成了神經網絡的模糊輸入，一邊快速的解決模糊定義的問題
• 支持向量機
• 其支持向量機（SVM）模型將輸入映射入一個大尺寸的特征空間，然后通過對與數據邊界較相近的輸入數據進行隔離，以較優化的將數據分離入其相應的類中。這在分離那些共享著復雜的邊界的數據集尤其有效。
• Levenberg-Marquardt
• 第二序列學習算法較原動力學習算法在速度上有了相當大的提高，并且往往出錯率更低
• 導師強迫/迭代預測
• 有一些時間序列問題能通過一種被稱為導師強迫的方式進行極佳模式化處理。為提高多部預測的準確率，這種特殊的訓練算法將預測的輸出結果反饋入了輸入中。
• ?
• 臨時神經網絡
• NeuroSolutions是當前少數幾種完全支持通過時間反向傳播（BPTT）的神經網絡開發工具之一。其與傳統的將靜態輸入映射入一個靜態輸出不同，BPTT可以將一系列輸入映射入一系列輸出中，這使得其可以通過提取數據每次的變化來解決臨時的問題。
• ?
• 用戶自定義的神經拓補結構
• NeuroSolutions是基于以下內容而應用的，即神經網絡可以分解為一個神經組件的基礎性集合。每一個單獨的組件都是相對簡單的，但是將多個組件連接起來以后，其即可組成網絡以解決相當復雜的問題。網絡組建向導可以根據用戶指定的條件為之連接相應的組件。然而，一旦該網絡創建好了，用戶即可任意的改變其相互聯系或者添加入新的組件，換而言之，即幾乎可以創建無限的神經模型。
• ?
• 用戶自定義的神經組件
• 每一個NeuroSolutions組件都應用了一個函數以遵循一個C編寫的簡單協議。如需添加一個新的組件，用戶只需簡單的修改基礎組件的模板函數，然后將其代碼編譯為一個DLL文件---這一切都可以在NeuroSolutions中完成！
• ?
• C++代碼生成
• 通過使用NeuroSolutions開發者層級，應用程序開發員可通過使用自定義解決方案向導生成DLL或為網絡生成C++源碼的方式將NeuroSolutions神經網絡集成入其應用程序中。該NeuroSolutions代碼生成工具如同其面向對象的開發環境一樣穩健。無論您在圖形用戶界面中創建的神經網絡是多么的簡單或者復雜，NeuroSolutions都能生成等價的ANSI C++源碼的神經網絡;即使這些神經網絡中以DLL的方式含有您自己設計的算法。
• ?
• 大量的探索功能
• 神經網絡因為其黑箱子技術經常被用戶批評，但NeuroSolutions提供了大量通用的探索工具集，用戶便再也無需擔心這種情況的發生了。探索工具使得用戶可以實時的訪問內部網絡參數，比如：
• 輸入/輸出
• 權重
• 錯誤
• 隱藏狀態
• 漸變
• 敏感性
  
• ?
• 探索在神經網絡設計中是非常重要的一步，因此我們將之處理成為NeuroSolutions中集成的一部分。和神經組件一樣，探索組件也是模塊化的，用戶瀏覽數據的方式與數據展現的形式無關。所有的神經網絡數據都是通過一個通用協議進行報送的，且所有的 NeuroSolutions都能理解這個協議，因此這使得用戶可以訪問所有內部變量以及可以通過大量的觀看它們的方法。
• ?
• 遺傳優化
• NeuroSolutions的用戶層以及以上層級包含了遺傳優化功能。遺傳優化功能使得用戶可以對神經網絡中的任意參數進行優化，以降低出錯率。比如，用戶可以對隱藏單元的數量，學習率，以及輸入選擇等進行優化以提高神經網絡的性能。
• ?
• 敏感度分析
• 敏感度分析是一種用于提取神經網絡的輸入與輸出之間的原因以及影響關系的方法。其基本的設計理念是，神經網絡的輸入通道發生輕微偏移，輸出端即可相應的對之進行報告。那些只產生較小的敏感值的輸入通道將被視為無關緊要的，因此常常被從神經網絡中移除掉，這種操作減小了神經網絡的規模，而這也反而減少了網絡的復雜性以及所需的訓練時間。此外，這還將提高網絡對樣本數據測試的性能。
• ?
• 樣本加權
• 分類問題中往往每一個類都不可能具有相同數目的訓練樣本，比如，用戶可能擁有一個用于檢測臨床測試數據中癌癥發生概率的神經網絡應用程序，該問題的測試數據可能包含了99個分類為非癌癥患者的樣本，以及一個被標記為癌癥患者的樣本數據。此時，一個標準化得神經網絡將往往將所有的樣本分類為非癌癥患者，因此其有99%的準確率，而事實上，其目的應該是檢測到存在的癌癥患者，因此這暴露出了問題。
• ?
• NeuroSolutions為用戶提供了一種更佳的解決方案，即使用了一種名為加權的方式。以以上例子為例，訓練樣本中的每一個癌癥患者在反向傳播中都將擁有比非癌癥患者高99倍的權重。這種平衡訓練數據的方式使得系統能 以一種更有的方式進行癌癥數據的檢測。
• ?
• 宏指令
• NeuroSolutions擁有一套綜合全面的宏語言，這使得用戶可以記錄操作的順序，并將之存貯為程序。每一個可以使用鼠標或者鍵盤進行操作的動作都可以使用一條宏語句操作。這項強大的功能使得用戶在構建，編輯和運行神經網絡時擁有了前所未有的靈活性。
• ?
• OLE自動化
• NeuroSolutions是一個完全兼容OLE自動化的服務器。這意味著其可以從OLE自動化控制器中接受控制信息，比如Visual C++, Visual Basic, Microsoft Excel, Microsoft Access, 和Delphi.等