☆ 1、如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
      ☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持，以便保证培训后的继续消化；
      ☆3、合格的学员可享受免费推荐就业机会。
      ☆4、合格学员免费颁发相关工程师等资格证书，提升您的职业资质。

• NeuroSolutions 是一个可用于windows 平台的高度图形化的神经网络开发工具。该软件在业界处于领先位置，其将模块化，基于图标的网络设计界面，先进的学习程序和遗传优化进行了结合。该款可用于研究和解决现实世界的复杂问题的神经网络设计工具在使用上几乎无限制。
• 神经网络是一个漫长而复杂的数学方程式，NeuroSolutions旨在使新技术和高级神经网络开发人员都能轻松获取该技术。神经网络分析有三个基本阶段：在数据上训练网络，测试网络的准确性以及根据新数据进行预测/分类。只有NeuroSolutions Excel界面中的Express Builder才能通过一个简单的步骤自动完成所有这些操作！
•  
• 易于使用的Excel界面
• 借助NeuroSolutions Excel界面，您可以更轻松的快速入门解决问题。NeuroSolutions中的Excel界面为用户提供了易于使用且直观的界面，可以轻松设置模拟，自动构建，训练和测试多个神经网络拓扑，并生成易于阅读的结果报告，包括性能极佳的模型。
•  
• NeuroSolutions的主要功能
•  
• 输入投影
• 通过自动将多条信息映射至单一输入，进一步减小了输入的规模
• 输入优化
• 通过贪婪搜索回除法和其他方法自动决定有用的输入
• CUDA GPU处理
• NeuroSolutions的用户可以通过使用NeuroSolutions CUDA插件管理NVIDIA显卡的强大处理能力
• 更快的处理速度
• 软件改进了对多核处理器的使用，优化了可执行编码，这都使得训练时间极大的减少
• 支持向量机回归
• 支持向量机回归（SVM-R）
• 增强了随机神经网络的支持
• 神经模糊
• 其神经模糊系统(CANFIS)模型集成了神经网络的模糊输入，一边快速的解决模糊定义的问题
• 支持向量机
• 其支持向量机（SVM）模型将输入映射入一个大尺寸的特征空间，然后通过对与数据边界较相近的输入数据进行隔离，以较优化的将数据分离入其相应的类中。这在分离那些共享着复杂的边界的数据集尤其有效。
• Levenberg-Marquardt
• 第二序列学习算法较原动力学习算法在速度上有了相当大的提高，并且往往出错率更低
• 导师强迫/迭代预测
• 有一些时间序列问题能通过一种被称为导师强迫的方式进行极佳模式化处理。为提高多部预测的准确率，这种特殊的训练算法将预测的输出结果反馈入了输入中。
•  
• 临时神经网络
• NeuroSolutions是当前少数几种完全支持通过时间反向传播（BPTT）的神经网络开发工具之一。其与传统的将静态输入映射入一个静态输出不同，BPTT可以将一系列输入映射入一系列输出中，这使得其可以通过提取数据每次的变化来解决临时的问题。
•  
• 用户自定义的神经拓补结构
• NeuroSolutions是基于以下内容而应用的，即神经网络可以分解为一个神经组件的基础性集合。每一个单独的组件都是相对简单的，但是将多个组件连接起来以后，其即可组成网络以解决相当复杂的问题。网络组建向导可以根据用户指定的条件为之连接相应的组件。然而，一旦该网络创建好了，用户即可任意的改变其相互联系或者添加入新的组件，换而言之，即几乎可以创建无限的神经模型。
•  
• 用户自定义的神经组件
• 每一个NeuroSolutions组件都应用了一个函数以遵循一个C编写的简单协议。如需添加一个新的组件，用户只需简单的修改基础组件的模板函数，然后将其代码编译为一个DLL文件---这一切都可以在NeuroSolutions中完成！
•  
• C++代码生成
• 通过使用NeuroSolutions开发者层级，应用程序开发员可通过使用自定义解决方案向导生成DLL或为网络生成C++源码的方式将NeuroSolutions神经网络集成入其应用程序中。该NeuroSolutions代码生成工具如同其面向对象的开发环境一样稳健。无论您在图形用户界面中创建的神经网络是多么的简单或者复杂，NeuroSolutions都能生成等价的ANSI C++源码的神经网络;即使这些神经网络中以DLL的方式含有您自己设计的算法。
•  
• 大量的探索功能
• 神经网络因为其黑箱子技术经常被用户批评，但NeuroSolutions提供了大量通用的探索工具集，用户便再也无需担心这种情况的发生了。探索工具使得用户可以实时的访问内部网络参数，比如：
• 输入/输出
• 权重
• 错误
• 隐藏状态
• 渐变
• 敏感性
  
•  
• 探索在神经网络设计中是非常重要的一步，因此我们将之处理成为NeuroSolutions中集成的一部分。和神经组件一样，探索组件也是模块化的，用户浏览数据的方式与数据展现的形式无关。所有的神经网络数据都是通过一个通用协议进行报送的，且所有的 NeuroSolutions都能理解这个协议，因此这使得用户可以访问所有内部变量以及可以通过大量的观看它们的方法。
•  
• 遗传优化
• NeuroSolutions的用户层以及以上层级包含了遗传优化功能。遗传优化功能使得用户可以对神经网络中的任意参数进行优化，以降低出错率。比如，用户可以对隐藏单元的数量，学习率，以及输入选择等进行优化以提高神经网络的性能。
•  
• 敏感度分析
• 敏感度分析是一种用于提取神经网络的输入与输出之间的原因以及影响关系的方法。其基本的设计理念是，神经网络的输入通道发生轻微偏移，输出端即可相应的对之进行报告。那些只产生较小的敏感值的输入通道将被视为无关紧要的，因此常常被从神经网络中移除掉，这种操作减小了神经网络的规模，而这也反而减少了网络的复杂性以及所需的训练时间。此外，这还将提高网络对样本数据测试的性能。
•  
• 样本加权
• 分类问题中往往每一个类都不可能具有相同数目的训练样本，比如，用户可能拥有一个用于检测临床测试数据中癌症发生概率的神经网络应用程序，该问题的测试数据可能包含了99个分类为非癌症患者的样本，以及一个被标记为癌症患者的样本数据。此时，一个标准化得神经网络将往往将所有的样本分类为非癌症患者，因此其有99%的准确率，而事实上，其目的应该是检测到存在的癌症患者，因此这暴露出了问题。
•  
• NeuroSolutions为用户提供了一种更佳的解决方案，即使用了一种名为加权的方式。以以上例子为例，训练样本中的每一个癌症患者在反向传播中都将拥有比非癌症患者高99倍的权重。这种平衡训练数据的方式使得系统能 以一种更有的方式进行癌症数据的检测。
•  
• 宏指令
• NeuroSolutions拥有一套综合全面的宏语言，这使得用户可以记录操作的顺序，并将之存贮为程序。每一个可以使用鼠标或者键盘进行操作的动作都可以使用一条宏语句操作。这项强大的功能使得用户在构建，编辑和运行神经网络时拥有了前所未有的灵活性。
•  
• OLE自动化
• NeuroSolutions是一个完全兼容OLE自动化的服务器。这意味着其可以从OLE自动化控制器中接受控制信息，比如Visual C++, Visual Basic, Microsoft Excel, Microsoft Access, 和Delphi.等