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: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Howard Demuth. Mark Beale. سری: ناشر: سال نشر: تعداد صفحات: 846 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب جعبه ابزار شبکه عصبی برای استفاده با MATLAB: انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Neural Network Toolbox For Use with MATLAB 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 جعبه ابزار شبکه عصبی برای استفاده با MATLAB 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.
Выходные данные неизвестны
جعبه ابزار شبکه عصبی طوری نوشته شده است که اگر فصل 2، فصل 3 و
فصل 4 را مطالعه کردید، می توانید به فصل بعدی بروید، آن را
بخوانید و بدون مشکل از توابع آن استفاده کنید. برای ایجاد این
امکان، فصل 2 مبانی مدل نورون، معماری شبکه های عصبی را ارائه می
کند. همچنین نمادهای مورد استفاده در معماری ها را مورد بحث قرار
خواهد داد. همه اینها مواد اولیه هستند. درک کامل مطالب فصل 2 به
نفع شماست. مدل نورون و معماری یک شبکه عصبی توضیح می دهد که
چگونه یک شبکه ورودی خود را به خروجی تبدیل می کند. این تبدیل را
می توان به عنوان یک محاسبه در نظر گرفت. مدل و معماری هر کدام
محدودیت هایی را در مورد آنچه که یک شبکه عصبی خاص می تواند
محاسبه کند ایجاد می کند. نحوه محاسبه خروجی شبکه باید قبل از
توضیح روش های آموزشی برای شبکه درک شود.
Выходные данные неизвестны
The Neural Network Toolbox is written so that if you read
Chapter 2, Chapter 3 and Chapter 4 you can proceed to a later
chapter, read it and use its functions without difficulty. To
make this possible, Chapter 2 presents the fundamentals of the
neuron model, the architectures of neural networks. It also
will discuss notation used in the architectures. All of this is
basic material. It is to your advantage to understand this
Chapter 2 material thoroughly. The neuron model and the
architecture of a neural network describe how a network
transforms its input into an output. This transformation can be
viewed as a computation. The model and the architecture each
place limitations on what a particular neural network can
compute. The way a network computes its output must be
understood before training methods for the network can be
explained.