ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons

دانلود کتاب بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل با نورون‌های Spiking

Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons

مشخصات کتاب

Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: , ,   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 8 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 599 کیلوبایت 

قیمت کتاب (تومان) : 39,000



کلمات کلیدی مربوط به کتاب بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل با نورون‌های Spiking: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons 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 بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل با نورون‌های Spiking 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.


توضیحاتی در مورد کتاب بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل با نورون‌های Spiking

استخراج مولفه‌های مستقل آماری از جریان‌های ورودی چند حسی با ابعاد بالا، جزء ضروری پردازش حسی در مغز فرض می‌شود. چنین تجزیه و تحلیل مؤلفه های مستقل (یا جداسازی منبع کور) می تواند بازنمایی کمتر اضافی از اطلاعات مربوط به دنیای بیرونی ارائه دهد. یکی دیگر از استراتژی‌های پردازش قدرتمند، استخراج ترجیحی آن دسته از مؤلفه‌ها از جریان‌های ورودی با ابعاد بالا است که به سایر منابع اطلاعاتی مرتبط هستند، مانند پیش‌بینی‌های داخلی یا بازخورد حس عمقی. این استراتژی امکان بهینه سازی نمایش داخلی را با توجه به روش گلوگاه اطلاعاتی فراهم می کند. با این حال، قوانین یادگیری ملموسی که این اصول کلی یادگیری بدون نظارت را برای نورون‌های spiking اجرا می‌کنند، هنوز وجود ندارند. ما نشان می‌دهیم که چگونه بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل را می‌توان در اصل با نورون‌هایی که به‌طور تصادفی اسپک می‌کنند با نسوز اجرا کرد. قانون جدید یادگیری که به این امر دست می یابد از اصول بهینه سازی اطلاعات انتزاعی مشتق شده است.


توضیحاتی درمورد کتاب به خارجی

The extraction of statistically independent components from high-dimensional multi-sensory input streams is assumed to be an essential component of sensory processing in the brain. Such independent component analysis (or blind source separation) could provide a less redundant representation of information about the external world. Another powerful processing strategy is to extract preferentially those components from high-dimensional input streams that are related to other
information sources, such as internal predictions or proprioceptive feedback. This strategy allows the optimization of internal representation according to the information bottleneck method. However, concrete learning rules that implement these general unsupervised learning principles for spiking neurons are still missing. We show how both information bottleneck optimization and the extraction of independent components can in principle be implemented with stochastically spiking neurons with refractoriness. The new learning rule that achieves this is derived from abstract information optimization principles.





نظرات کاربران