Handbook on Neural Information Processing

این کتاب راهنما برخی از جدیدترین موضوعات در پردازش اطلاعات عصبی را ارائه می‌کند که هم مفاهیم نظری و هم کاربردهای عملی را پوشش می‌دهد. مشارکت‌ها عبارتند از:

• معماری‌های عمیق
• شبکه‌های عصبی بازگشتی، بازگشتی و نموداری
• شبکه‌های عصبی سلولی
• شبکه‌های بیزی
• قابلیت های تقریبی شبکه های عصبی
• یادگیری نیمه نظارتی
• یادگیری رابطه ای آماری
• روش های هسته برای داده های ساخت یافته
• < li> سیستم های طبقه بندی کننده چندگانه
• خود سازماندهی و یادگیری معین
• کاربردها برای بازیابی تصویر مبتنی بر محتوا، متن کاوی در مجموعه اسناد بزرگ و بیوانفورماتیک

این کتاب به‌ویژه برای دانشجویان فارغ‌التحصیل، محققان و شاغلین در نظر گرفته می‌شود که مایل به تعمیق دانش خود در مورد مدل‌های پیشرفته‌تر ارتباط‌گرا و پارادایم‌های یادگیری مرتبط هستند.

This handbook presents some of the most recent topics in neural information processing, covering both theoretical concepts and practical applications. The contributions include:

• Deep architectures
• Recurrent, recursive, and graph neural networks
• Cellular neural networks
• Bayesian networks
• Approximation capabilities of neural networks
• Semi-supervised learning
• Statistical relational learning
• Kernel methods for structured data
• Multiple classifier systems
• Self organisation and modal learning
• Applications to content-based image retrieval, text mining in large document collections, and bioinformatics

This book is thought particularly for graduate students, researchers and practitioners, willing to deepen their knowledge on more advanced connectionist models and related learning paradigms.