دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: ریاضیات محاسباتی ویرایش: 1 نویسندگان: Robert A. Dunne سری: ISBN (شابک) : 0471741086, 9780470148143 ناشر: سال نشر: 2007 تعداد صفحات: 288 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب A Statistical Approach to Neural Networks for Pattern Recognition (Wiley Series in Computational Statistics) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یک رویکرد آماری به شبکه های عصبی برای تشخیص الگوی (سری ویلی در آمار محاسباتی) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یک درمان در دسترس و بهروز که ارتباط بین شبکههای عصبی و آمار را نشان میدهد، رویکرد آماری به شبکههای عصبی برای تشخیص الگو، یک درمان آماری از پرسپترون چندلایه (MLP) را ارائه میدهد که بیشترین استفاده را در بین مدلهای شبکه عصبی دارد. هدف این کتاب پاسخگویی به سوالاتی است که زمانی که آماردانان برای اولین بار با این نوع مدل مواجه میشوند، مطرح میشوند، مانند: مدل چقدر در برابر عوامل پرت مقاوم است؟ مقادیر برای الگوریتم برازش؟ پاسخ های کامل به این سؤالات و بسیاری دیگر، و همچنین مثال های کار شده و مسائل انتخاب شده برای خواننده گنجانده شده است. بحث در مورد استفاده از مدل های MLP با داده های فضایی و طیفی نیز گنجانده شده است. درمان بیشتر در مورد جنبه های اصلی بسیار مهم MLP ارائه شده است، مانند استحکام مدل در صورت داده های دور از دسترس یا غیر معمول. منحنی های نفوذ و حساسیت MLP. چرا MLP یک مدل نسبتاً قوی است. و تغییراتی برای قوی تر کردن MLP. نویسنده همچنین چندین تصور نادرست را که در ادبیات شبکههای عصبی موجود رایج است، توضیح میدهد. در سراسر کتاب، مدل MLP در چندین جهت گسترش یافته است تا نشان دهد که یک رویکرد مدلسازی آماری میتواند کمکهای ارزشمندی داشته باشد، و کاوش بیشتر برای برازش مدلهای MLP انجام شده است. از طریق کدهای R و S-PLUS® که در وب سایت مربوط به کتاب موجود است، امکان پذیر است. یک رویکرد آماری به شبکههای عصبی برای تشخیص الگو با موفقیت رگرسیون لجستیک و تجزیه و تحلیل تفکیک خطی را به هم متصل میکند، بنابراین آن را به یک مرجع مهم و راهنمای خودآموز برای دانشآموزان و متخصصان در زمینههای ریاضی، آمار، علوم کامپیوتر و مهندسی برق تبدیل میکند.
An accessible and up-to-date treatment featuring the connection between neural networks and statisticsA Statistical Approach to Neural Networks for Pattern Recognition presents a statistical treatment of the Multilayer Perceptron (MLP), which is the most widely used of the neural network models. This book aims to answer questions that arise when statisticians are first confronted with this type of model, such as:How robust is the model to outliers?Could the model be made more robust?Which points will have a high leverage?What are good starting values for the fitting algorithm?Thorough answers to these questions and many more are included, as well as worked examples and selected problems for the reader. Discussions on the use of MLP models with spatial and spectral data are also included. Further treatment of highly important principal aspects of the MLP are provided, such as the robustness of the model in the event of outlying or atypical data; the influence and sensitivity curves of the MLP; why the MLP is a fairly robust model; and modifications to make the MLP more robust. The author also provides clarification of several misconceptions that are prevalent in existing neural network literature.Throughout the book, the MLP model is extended in several directions to show that a statistical modeling approach can make valuable contributions, and further exploration for fitting MLP models is made possible via the R and S-PLUS® codes that are available on the book's related Web site. A Statistical Approach to Neural Networks for Pattern Recognition successfully connects logistic regression and linear discriminant analysis, thus making it a critical reference and self-study guide for students and professionals alike in the fields of mathematics, statistics, computer science, and electrical engineering.