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 Neural Network Design and the Complexity of Learning

دانلود کتاب طراحی شبکه عصبی و پیچیدگی یادگیری

Neural Network Design and the Complexity of Learning

مشخصات کتاب

Neural Network Design and the Complexity of Learning

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 0262100452, 9780262100458 
ناشر: The MIT Press 
سال نشر: 1990 
تعداد صفحات: 150 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 52,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


در صورت تبدیل فایل کتاب Neural Network Design and the Complexity of Learning 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 طراحی شبکه عصبی و پیچیدگی یادگیری 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 طراحی شبکه عصبی و پیچیدگی یادگیری

استفان جاد با استفاده از ابزارهای نظریه پیچیدگی، توصیفی رسمی از یادگیری انجمنی در شبکه‌های پیوندگرا ارائه می‌کند. او سختی‌های محاسباتی در آموزش شبکه‌های عصبی را آشکار می‌کند و بررسی می‌کند که چگونه برخی از اصول طراحی مشکلات را آسان‌تر می‌کنند یا نمی‌کنند.

جاد فراتر از محدوده یک قانون یادگیری خاص، در سطحی بالاتر از جزئیات نورون ها او در آنجا مسائل جدیدی را پیدا می‌کند که با استفاده از تعداد زیادی نورون به وجود می‌آیند و بینش جدیدی در مورد اصول طراحی ارائه می‌دهد که می‌تواند ساخت شبکه‌های عصبی مصنوعی و بیولوژیکی را راهنمایی کند.

بخش اول کتاب به شرح انگیزه ها و اهداف مطالعه و ارتباط آنها با نظریه علمی رایج. این یک نمای کلی از ایده‌های اصلی ارائه می‌کند، مسئله یادگیری کلی را با توجه به پیچیدگی محاسباتی کار فرموله می‌کند، نظریه فعلی در مورد یادگیری را مرور می‌کند، مدل یادگیری کتاب را به مدل‌های دیگر خارج از پارادایم پیوندگرا مرتبط می‌کند، و شروع به بررسی می‌کند. مسائل مقیاس‌پذیری در یادگیری پیوندگرا.

فصل‌های بعدی غیرقابل حل بودن حالت کلی حفظ کردن در شبکه‌ها را اثبات می‌کنند، مفاهیم این غیرقابل حل‌پذیری را تشریح می‌کنند و به چندین نتیجه مربوط به موارد فرعی مختلف اشاره می‌کنند. جاد ویژگی‌های متمایز مشکلات خانواده‌های شبکه‌های کم عمق را اصلاح می‌کند، به نگرانی‌ها در مورد توانایی شبکه‌های عصبی برای تعمیم می‌پردازد، و نتایج، پیامدها و گسترش‌های احتمالی کار را خلاصه می‌کند.

طراحی شبکه عصبی و پیچیدگی یادگیری در مجموعه مدل‌سازی شبکه و پیوندگرایی ویرایش شده توسط جفری المان گنجانده شده است.


توضیحاتی درمورد کتاب به خارجی

Using the tools of complexity theory, Stephen Judd develops a formal description of associative learning in connectionist networks. He rigorously exposes the computational difficulties in training neural networks and explores how certain design principles will or will not make the problems easier.

Judd looks beyond the scope of any one particular learning rule, at a level above the details of neurons. There he finds new issues that arise when great numbers of neurons are employed and he offers fresh insights into design principles that could guide the construction of artificial and biological neural networks.

The first part of the book describes the motivations and goals of the study and relates them to current scientific theory. It provides an overview of the major ideas, formulates the general learning problem with an eye to the computational complexity of the task, reviews current theory on learning, relates the book's model of learning to other models outside the connectionist paradigm, and sets out to examine scale-up issues in connectionist learning.

Later chapters prove the intractability of the general case of memorizing in networks, elaborate on implications of this intractability and point out several corollaries applying to various special subcases. Judd refines the distinctive characteristics of the difficulties with families of shallow networks, addresses concerns about the ability of neural networks to generalize, and summarizes the results, implications, and possible extensions of the work.

Neural Network Design and the Complexity of Learning is included in the Network Modeling and Connectionism series edited by Jeffrey Elman.





نظرات کاربران