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: سازمان و پردازش داده ها ویرایش: نویسندگان: Ian Cloete. Jacek M. Zurada سری: ISBN (شابک) : 9780262032742, 0262032740 ناشر: MIT Press سال نشر: 1999 تعداد صفحات: 499 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 37 مگابایت
در صورت تبدیل فایل کتاب Knowledge-Based Neurocomputing 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 محاسبات عصبی مبتنی بر دانش 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.
روشهای محاسبات عصبی بر اساس مدلی از مغز بهعنوان شبکهای از عناصر پردازشی ساده مرتبط با نورونها است. این روشها قدرت خود را از پردازش جمعی نورونهای مصنوعی میگیرند، مزیت اصلی این است که چنین سیستمهایی میتوانند یاد بگیرند و با یک محیط در حال تغییر سازگار شوند. در محاسبات عصبی مبتنی بر دانش، تأکید بر استفاده و نمایش دانش در مورد یک برنامه کاربردی است. مدلسازی صریح دانش ارائهشده توسط چنین سیستمی همچنان موضوع اصلی تحقیقاتی است. دلیل آن این است که تفسیر عددی یک شبکه عصبی برای انسان دشوار است. فرض کلیدی محاسبات عصبی مبتنی بر دانش این است که دانش از یک سیستم محاسبات عصبی به شکلی قابل درک است یا می تواند توسط آن نمایش داده شود. به این معنا که دانش تعبیه شده در سیستم محاسبات عصبی نیز می تواند به شکل نمادین یا ساختار یافته ای مانند توابع بولی، اتوماتا، قوانین یا دیگر روش های آشنا نمایش داده شود. تمرکز محاسبات مبتنی بر دانش بر روی روشهایی برای رمزگذاری دانش قبلی و استخراج، پالایش و بازنگری دانش در یک سیستم محاسبات عصبی است.
Neurocomputing methods are loosely based on a model of the brain as a network of simple interconnected processing elements corresponding to neurons. These methods derive their power from the collective processing of artificial neurons, the chief advantage being that such systems can learn and adapt to a changing environment. In knowledge-based neurocomputing, the emphasis is on the use and representation of knowledge about an application. Explicit modeling of the knowledge represented by such a system remains a major research topic. The reason is that humans find it difficult to interpret the numeric representation of a neural network.The key assumption of knowledge-based neurocomputing is that knowledge is obtainable from, or can be represented by, a neurocomputing system in a form that humans can understand. That is, the knowledge embedded in the neurocomputing system can also be represented in a symbolic or well-structured form, such as Boolean functions, automata, rules, or other familiar ways. The focus of knowledge-based computing is on methods to encode prior knowledge and to extract, refine, and revise knowledge within a neurocomputing system.