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: [1 ed.]
نویسندگان: Daniel Sonnet
سری: IT kompakt
ISBN (شابک) : 3658290803, 9783658290801
ناشر: Springer Vieweg
سال نشر: 2022
تعداد صفحات: 152
[151]
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Neuronale Netze kompakt: Vom Perceptron zum Deep 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 شبکه های عصبی فشرده: از پرسپترون تا یادگیری عمیق 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.
داده ها طلای جدید هستند - و شبکه های عصبی قبلاً به تعدادی از شرکت ها کمک کرده اند تا این گنج را کشف کنند. با این کتاب در کوتاه ترین زمان ممکن یک نمای کلی از شبکه های عصبی بدست آورید. پس از خواندن این کتاب، با پیشرفت تاریخی این تقریبکنندههای قدرتمند آشنا میشوید و با مهمترین اصطلاحات فعلی آشنا میشوید. علاوه بر این، شما امکانات و محدودیت های شبکه های عصبی را می دانید. هدف این کتاب در درجه اول تمرینکنندگانی است که بدون گذراندن یک دوره دانشگاهی موازی در ریاضیات و آمار به دنبال معرفی سریع این موضوع هستند.
Daten sind das neue Gold - und neuronale Netze haben bereits einigen Unternehmen geholfen, diesen Schatz auszugraben. Verschaffen Sie sich mit diesem Buch innerhalb kürzester Zeit einen soliden Überblick über neuronale Netze. Nach der Lektüre dieses Buches kennen Sie den historischen Werdegang dieser leistungsfähigen Approximatoren und Sie sind vertraut mit den aktuell wichtigsten Begriffen. Des Weiteren kennen Sie die Möglichkeiten sowie die Grenzen neuronaler Netze. Dieses Buch richtet sich in erster Linie an Praktiker, die einen schnellen Einstieg in das Thema suchen, ohne parallel einen Hochschulkurs in Mathematik und Statistik zu machen.
Inhaltsverzeichnis 1 Einführung 2 Neuronale Netze 2.1 Ein kompakter historischer Abriss 2.1.1 Der Start: das Perceptron 2.1.2 Die Weiterentwicklung: mehrschichtige Netze 2.1.3 Heutiger Status Quo: Deep Learning 2.2 Auswahl einiger Lern- bzw. Trainingsalgorithmen 2.2.1 Hebb'sche Regel 2.2.2 Deltaregel 2.2.3 Backpropagation 2.3 Vorstellung besonderer Netzwerktypen 2.3.1 Feedforward networks versus recurrent networks 2.3.2 Convolutional neural network 3 Best Practice: Möglichkeiten und Grenzen Neuronaler Netze 3.1 Vorteile und Möglichkeiten Neuronaler Netze 3.2 Grenzen Neuronaler Netze 4 Ausblick: Mögliche Entwicklungen für Neuronale Netze 4.1 Entschlüsselung der Black Box 4.2 Mehr Performance und weitere Einsatzmöglichkeiten 5 Quick Start Guide Neuronale Netze und Fallstudien 5.1 Quick Start Guide 5.2 Fallstudien 5.2.1 Vorhersage der Churn Rate (Kundenverlustrate) einer Bank 5.2.2 Der Klassiker MNIST sowie Fashion-MNIST Literatur