Hoewel er veel leren wetten die kunnen worden toegepast op neurale systemen, een van de meest populaire is de gegeneraliseerde Delta Rule of Back-propagatie-methode. Tijdens elke iteratie van opleiding, de gepaarde gegevens die naar het netwerk genereert een voorwaartse ow activering van de ingang naar de uitgang laag. Dan, als de uitgangen voorspeld door het systeem onjuist, een ow informatie achterwaarts gegenereerd uit de uitgangslaag naar de invoerlaag, aanpassen van de verbindingsgewichten.
Dan, op de volgende training iteratie, wanneer het systeem wordt voorgesteld met dezelfde gepaarde invoergegevens, zal het nauwkeuriger in haar prognose. De tijd die nodig opleiding afleggen kan aanzienlijk zijn, afhankelijk van de snelheid van de computer, het aantal dagen gegevens (zogenaamde "fact-dag"), en het aantal neuronen in elke laag. Wanneer het systeem een stabiele toestand bereikt, is het klaar voor verdere testen. U kunt "walk-forward" testen uit te voeren door het creëren van een test le bestaat uit fact-dagen die niet gebruikt werden tijdens de training.
Afhankelijk van de testresultaten, kan het nodig zijn om het systeem opnieuw te ontwerpen, met inbegrip van de architectuur, het leren van de wet, invoergegevens, of methoden en de omvang van de voorbewerking. Je kan het zelfs nodig om de verwachte output die u wilt voorspellen veranderen. In tegenstelling tot de training, tijdens het testen van de verbinding sterkten zijn niet aangepast om te compenseren voor fouten. Als uw systeem niet kan trainen op bepaalde gekoppelde gegevens, kan dit tegenstrijdig of dubbelzinnige informatie bevatten.
Je moet elk van uw data-ingangen opnieuw te onderzoeken of overbodige invoergegevens masseren methodes voor omscholing te elimineren. Zodra uw netwerk met succes heeft getraind, is het gemakkelijk voor het aan de verwachte productie in real-time te voorspellen. Alles wat je hoeft te doen is het met de nodige input van gegevens, net zoals je deed tijdens de training. Echter, zoals met he