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
نویسندگان: Heinrich Braun (auth.)
سری:
ISBN (شابک) : 9783642645358, 9783642607431
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 1997
تعداد صفحات: 285
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب شبکه های عصبی: بهینه سازی از طریق یادگیری و تکامل: هوش مصنوعی (شامل رباتیک)، منطق ریاضی و زبان های رسمی
در صورت تبدیل فایل کتاب Neuronale Netze: Optimierung durch Lernen und Evolution 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: بهینه سازی از طریق یادگیری و تکامل 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.
در این کتاب، خواننده روشهای کارآمدی را برای بهینهسازی شبکههای عصبی پیدا میکند. به طور خاص، درمان دقیق یادگیری تقویتی و بهینهسازی تکاملی فراتر از محتوای کتابهای درسی قبلی در موضوع شبکههای عصبی است. بهینه سازی مدل های عصبی به عوامل زیر تقسیم می شود: مدل های عصبی، مشکلات یادگیری، روش های بهینه سازی و اجرای سخت افزار. این به خواننده این فرصت را میدهد تا بلوکهای سازنده را در برنامهاش با توجه به اهدافش ترکیب کند: مدل عصبی در مقابل مدل عصبی فازی، یادگیری نظارت شده در مقابل یادگیری تقویتی، نزول گرادیان در مقابل تکامل، متوالی در مقابل موازی.
In diesem Buch findet der Leser effiziente Methoden zur Optimierung Neuronaler Netze. Insbesondere durch die ausführliche Behandlung des Reinforcement Learning und der Evolutiven Optimierung geht es über den Inhalt der bisherigen Lehrbücher zum Thema Neuronale Netze hinaus. Die Optimierung neuronaler Modelle wird in folgende Faktoren aufgeteilt: Neuronale Modelle, Lernprobleme, Optimierungsverfahren und Hardwareimplementierung. Dadurch erhält der Leser die Möglichkeit, in seiner eigenen Anwendung die Bausteine seinen Zielen entsprechend zu kombinieren: Neuronales Modell vs. Neuro-Fuzzy-Modell, Supervised Learning vs. Reinforcement Learning, Gradientenabstieg vs. Evolution, sequentiell vs. parallel.
Front Matter....Pages I-XI
Einführung....Pages 1-3
Neuronale Modelle von Expertenwissen....Pages 5-97
Neuronale Modelle für Strategielernen....Pages 99-165
Evolution neuronaler Netze....Pages 167-266
Schlußbemerkung....Pages 267-269
Literatur....Pages 271-279