Wolfram言語におけるニューラルネットワーク
Wolfram言語はニューラルネットワーク機械学習システムの構築，訓練，配備のための最新の機能を備えている．さまざまな種類の標準的な階層が利用でき，それらは記号的にネットワークに組み立てて，利用可能なCPUとGPUで即座に訓練し，配備することができる．
はじめに
LeNetとMNIST
層
ネットエンコーダ
ネットデコーダ
コンテナ
訓練
評価
高度なコンセプト
大きいデータ集合での訓練
MNISTでのアウトオブコア訓練
MongoDBデータベースを使う
例の重み付け
正則化
分類
ベクトルデータの分類
カテゴリデータの分類
マルチタスク分類
回帰
数値データの予測
不確実性のある回帰
コンピュータビジョン
画像分類
MNISTによる数字分類
CIFAR-10のオブジェクト分類
学習済みの埋込み
画風変換
セマンティックセグメンテーション（画素分類）
Toyテキストデータセットのセマンティックセグメンテーション
列学習と自然言語処理
列の回帰
整数の加算
列の分類
感情分析
Sequence-to-Sequence学習
固定長の出力を伴う整数の加算
可変長の出力を伴う整数の加算
整数の並べ替え
Toyデータセットの光学文字認識(OCR)
質問応答
bAbI QAデータセットで訓練された回帰型ニューラルネットワークのサンプル
bAbI QAデータセットで訓練されたメモリネットワーク
言語モデル
文字レベルの言語モデル
音声解析
音声の符号化
エンコーダのタイプ
データ拡張
音声の分類
音声イベント検出
音声の埋込み
対比損失のあるシャム(Siamese)ネットワーク
事前に訓練された音声特徴抽出器
音声の移転学習
教師なし学習
多様体学習
オートエンコーダ
MNISTによる数字オートエンコーダ