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
ویرایش: نویسندگان: M. H. G. Anthony, N. Biggs سری: Cambridge Tracts in Theoretical Computer Science ISBN (شابک) : 0521416035, 9780521416030 ناشر: Cambridge University Press سال نشر: 1992 تعداد صفحات: 173 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Computational Learning Theory 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 تئوری یادگیری 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.
نظریه یادگیری محاسباتی یکی از اولین تلاش ها برای ساختن یک نظریه ریاضی از یک فرآیند شناختی است. این حوزه در سال های اخیر مورد توجه و رشد سریع بوده است. این متن چارچوبی برای مطالعه انواع فرآیندهای الگوریتمی، مانند فرآیندهایی که در حال حاضر برای آموزش شبکه های عصبی مصنوعی استفاده می شود، ارائه می دهد. نویسندگان بر روی یک مدل تقریبی برای یادگیری تمرکز می کنند و به تدریج ایده های ملاحظات کارایی را توسعه می دهند. در نهایت، آنها کاربردهای این نظریه را در شبکه های عصبی مصنوعی در نظر می گیرند. تمرینهای فراوان و فهرست گستردهای از منابع، متن را کامل میکند. این جلد بررسی جامعی از موضوع، از جمله اطلاعات برگرفته از منطق، احتمالات و نظریه پیچیدگی را ارائه می دهد. این یک مقدمه محکم برای تئوری یادگیری محاسباتی است که برای طیف گسترده ای از دانشجویان فارغ التحصیل از علوم کامپیوتر نظری تا ریاضیات مناسب است.
Computational learning theory is one of the first attempts to construct a mathematical theory of a cognitive process. It has been a field of much interest and rapid growth in recent years. This text provides a framework for studying a variety of algorithmic processes, such as those currently in use for training artificial neural networks. The authors concentrate on an approximate model for learning and gradually develop the ideas of efficiency considerations. Finally, they consider applications of the theory to artificial neural networks. An abundance of exercises and an extensive list of references round out the text. This volume provides a comprehensive review of the topic, including information drawn from logic, probability, and complexity theory. It forms a solid introduction to the theory of comptutational learning suitable for a broad spectrum of graduate students from theoretical computer science to mathematics.