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 Learning: Theoretical Foundations

دانلود کتاب یادگیری شبکه عصبی: مبانی نظری

Neural Network Learning: Theoretical Foundations

مشخصات کتاب

Neural Network Learning: Theoretical Foundations

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 052111862X, 9780521118620 
ناشر:  
سال نشر: 2009 
تعداد صفحات: 404 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 50,000



کلمات کلیدی مربوط به کتاب یادگیری شبکه عصبی: مبانی نظری: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


در صورت تبدیل فایل کتاب Neural Network Learning: Theoretical Foundations 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 یادگیری شبکه عصبی: مبانی نظری 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 یادگیری شبکه عصبی: مبانی نظری

این کار مهم پیشرفت های نظری اخیر در مطالعه شبکه های عصبی مصنوعی را توصیف می کند. این مدل‌های احتمالی مسائل یادگیری تحت نظارت را بررسی می‌کند و به سؤالات آماری و محاسباتی کلیدی می‌پردازد. فصل‌ها تحقیق در مورد طبقه‌بندی الگو با شبکه‌های خروجی باینری را بررسی می‌کنند، از جمله بحث در مورد ارتباط بعد Vapnik Chervonenkis، و تخمین‌های بعد برای چندین مدل شبکه عصبی. علاوه بر این، آنتونی و بارتلت مدلی از طبقه‌بندی با شبکه‌های خروجی واقعی ایجاد کردند و سودمندی طبقه‌بندی را با «حاشیه بزرگ» نشان دادند. نویسندگان نقش نسخه‌های حساس به مقیاس بعد Vapnik Chervonenkis را در حاشیه بزرگ توضیح می‌دهند. طبقه بندی و در پیش بینی واقعی. فصل‌های کلیدی همچنین پیچیدگی محاسباتی یادگیری شبکه‌های عصبی را مورد بحث قرار می‌دهند، انواع نتایج سختی را توصیف می‌کنند و دو الگوریتم یادگیری سازنده و کارآمد را تشریح می‌کنند. این کتاب مستقل است و برای محققان و دانشجویان تحصیلات تکمیلی در علوم کامپیوتر، مهندسی و ریاضیات قابل دسترسی است.


توضیحاتی درمورد کتاب به خارجی

This important work describes recent theoretical advances in the study of artificial neural networks. It explores probabilistic models of supervised learning problems, and addresses the key statistical and computational questions. Chapters survey research on pattern classification with binary-output networks, including a discussion of the relevance of the Vapnik Chervonenkis dimension, and of estimates of the dimension for several neural network models. In addition, Anthony and Bartlett develop a model of classification by real-output networks, and demonstrate the usefulness of classification with a "large margin." The authors explain the role of scale-sensitive versions of the Vapnik Chervonenkis dimension in large margin classification, and in real prediction. Key chapters also discuss the computational complexity of neural network learning, describing a variety of hardness results, and outlining two efficient, constructive learning algorithms. The book is self-contained and accessible to researchers and graduate students in computer science, engineering, and mathematics.





نظرات کاربران