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 Limitations and Future Trends in Neural Computation (NATO Science)

دانلود کتاب محدودیت ها و روندهای آینده در محاسبات عصبی (علوم ناتو)

مشخصات کتاب

Limitations and Future Trends in Neural Computation (NATO Science)

دسته بندی: ریاضیات محاسباتی
ویرایش:  
نویسندگان: Sergey Ablameyko. NATO ADVANCED RESEARCH WORKSHOP ON LIMIT  
سری:  
ISBN (شابک) : 1586033247, 9781417511501 
ناشر:  
سال نشر: 2003 
تعداد صفحات: 256 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت

قیمت کتاب (تومان) : 35,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 2

در صورت تبدیل فایل کتاب Limitations and Future Trends in Neural Computation (NATO Science) 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 محدودیت ها و روندهای آینده در محاسبات عصبی (علوم ناتو) 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 محدودیت ها و روندهای آینده در محاسبات عصبی (علوم ناتو)

این کار تحلیل‌های انتقادی را در مورد مسائل پیچیدگی در محیط پیوسته و تعمیم به نمونه‌های جدید گزارش می‌کند، که دو نقطه عطف اساسی در یادگیری از نمونه‌هایی در مدل‌های پیوندگرا هستند. مشکل بارگذاری وزن شبکه‌های عصبی، که اغلب به عنوان بهینه‌سازی پیوسته قاب می‌شود، هدف بسیاری از انتقادات بوده است، زیرا راه‌حل بالقوه هر مشکل یادگیری با وجود حداقل محلی در تابع خطا محدود می‌شود. مفهوم راه حل کارآمد باید به گونه ای رسمی شود که مقایسه های مفیدی با نظریه سنتی پیچیدگی محاسباتی در محیط گسسته ارائه شود. همچنین پیشرفت های به روز در ریاضیات محاسباتی را پوشش می دهد.

توضیحاتی درمورد کتاب به خارجی

This work reports critical analyses on complexity issues in the continuum setting and on generalization to new examples, which are two basic milestones in learning from examples in connectionist models. The problem of loading the weights of neural networks, which is often framed as continuous optimization, has been the target of many criticisms, since the potential solution of any learning problem is limited by the presence of local minimal in the error function. The notion of efficient solution needs to be formalized so as to provide useful comparisons with the traditional theory of computational complexity in the discrete setting. It also covers up-to-date developments in computational mathematics.