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
ویرایش:
نویسندگان: J. Stephen Judd
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
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.
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.
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.