ohjelmointi ongelma on että laskettaessa painot W jotta ennusteet voidaan tehdä. Tätä ohjelmaa toimii oppiminen kone, muuttamalla painot kun väärä ennustus on tehty, kunnes koko opetusjakson erillisten ajanjaksojen on täsmällisesti. Oletetaan, että käyttämällä painoja W ennustus RT on tehty tietojen XT ja YT eli Oletetaan edelleen, että ennustus on väärä (RT tunnetaan koska tiedot on kaikki historiallisia opetussekvenssi) Anna Uudet painot W1 on laskettava siten, että jossa A on vakio parametri. Selvästi ennuste tehdään oikealle niin kauan kuin W1 voidaan laskea.
Meillä on ja koska painot normalisoidaan Voimme jakaa kukin summa kolmeen osaan niinkuin valinta merkki riippuu siitä, X on parempi tai huonompi kuin Y viime kaudella. Tämä antaa sitten algoritmi muuttaa painot, kun väärä ennustus on tehty. Selvästi se vain tuo oikea ennuste kerrallaan ja voi hyvin (ja usein tekee) heittää joitakin edellisen ennusteet ulos, eli jotkut ennustukset jotka olivat virheetön vanha painot ovat väärässä uuden painoja. Ratkaisu tähän on selata historiaa, asettaa oikealle mitään väärää ennusteita, kun ne tapahtuvat, kunnes koko historian voidaan ennustaa yhdet painoja.
Siten menetelmä on iteratiivinen ja. joten ansioiden aikavälillä oppiminen kone. Koulutus menetelmä (paino muuttuvassa menettelyt edellä) voidaan osoittaa lähentyä (eli kaikki historia voidaan siten kuvata yhdet painot) ja muodollisia todisteita löytyy Nillson, luku 5 (1965). Edellä on perus laskennallinen yksikkö, eli vertailu tahansa kaksi osaketta. Lopputuloksena on ennuste niiden suhteellisen suorituskyvyn tulevan kauden. Tämä laite on sitten hyödynnetään ennustaminen suorituskykyä koko joukko osakkeita.
Keskusteltuaan formalismin jää, kuinka ja miksi arvot valittiin kaikki parametrit, muuttujat ja vakiot, jotka ovat välttämättömiä ohjelman kulku tietokoneella. Näitä voidaan luetella seuraavasti:
(1) suorituskykyperuste. (