神经网络

【原文】To train this network, we would need training examples <math>(x^{(i)}, y^{(i)})</math> where <math>y^{(i)} \in \Re^2</math>.  This sort of network is useful if there're multiple outputs that you're interested in predicting.  (For example, in a medical diagnosis application, the vector <math>x</math> might give the input features of a patient, and the different outputs <math>y_i</math>'s might indicate presence or absence of different diseases.)

【原文】To train this network, we would need training examples <math>(x^{(i)}, y^{(i)})</math> where <math>y^{(i)} \in \Re^2</math>.  This sort of network is useful if there're multiple outputs that you're interested in predicting.  (For example, in a medical diagnosis application, the vector <math>x</math> might give the input features of a patient, and the different outputs <math>y_i</math>'s might indicate presence or absence of different diseases.)

【初译】为了训练网络，我们需要训练样本 <math>(x^{(i)}, y^{(i)})</math> ，其中<math>y^{(i)} \in \Re^2</math>。当你想用于预测时，多个输出的网络更为有用。（例如，在医学诊断应用中，向量<math>x</math> 表示病人情况，不同输出<math>y_i</math>表示不同疾病的存在或者不存在。）

【初译】为了训练网络，我们需要训练样本 <math>(x^{(i)}, y^{(i)})</math> ，其中<math>y^{(i)} \in \Re^2</math>。当你想用于预测时，多个输出的网络更为有用。（例如，在医学诊断应用中，向量<math>x</math> 表示病人情况，不同输出<math>y_i</math>表示不同疾病的存在或者不存在。）

forward propagation 正向传播(这里为了与“反向传播”的翻译相对应，采用“正向传播”)

forward propagation 正向传播(这里为了与“反向传播”的翻译相对应，采用“正向传播”)

feedforward neural network 前馈神经网络(参照Mitchell的《机器学习》的翻译)

feedforward neural network 前馈神经网络(参照Mitchell的《机器学习》的翻译)