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: Mikhail Z. Zgurovsky, Yuriy P. Zaychenko (auth.) سری: Studies in Computational Intelligence 652 ISBN (شابک) : 9783319351629, 9783319351605 ناشر: Springer International Publishing سال نشر: 2017 تعداد صفحات: 389 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب مبانی هوش محاسباتی: رویکرد سیستم: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب The Fundamentals of Computational Intelligence: System Approach 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 مبانی هوش محاسباتی: رویکرد سیستم 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.
این تک نگاری به ارائه سیستماتیک روندهای اصلی، فناوری ها و روش های هوش محاسباتی (CI) اختصاص دارد. این کتاب توجه زیادی به فناوری جدید CI - سیستمهای منطق فازی (FL) و شبکههای عصبی فازی (FNN) دارد. FNN های مختلف از جمله کلاس جدید شبکه های عصبی نئوفازی آبشاری FNN در نظر گرفته شده و الگوریتم های آموزشی آن ها توصیف و تحلیل می شود. کاربردهای FNN برای پیش بینی در اقتصاد کلان و در بازارهای سهام بررسی می شود. این کتاب مشکل بهینهسازی پرتفوی در شرایط عدم قطعیت، نظریه جدید بهینهسازی پرتفوی فازی بدون اشکالات مدل کلاسیک مارکویتز و همچنین برنامهای برای بهینهسازی پرتفوی در بورسهای اوکراین، روسیه و آمریکا ارائه میکند. این کتاب همچنین مشکل پیشبینی ریسک ورشکستگی شرکتها را تحت اطلاعات ناقص و فازی ارائه میکند، همچنین روشهای جدید مبتنی بر نظریه مجموعههای فازی و شبکههای عصبی فازی و نتایج کاربرد آنها برای پیشبینی ریسک ورشکستگی ارائه و با روش آلتمن مقایسه شده است.
این تک نگاری همچنین بر یک روش مدلسازی استقرایی خود سازماندهی متمرکز است - به اصطلاح روش گروهی مدیریت داده (GMDH) که امکان ساخت ساختار مدل های پیش بینی را تقریباً به صورت خودکار فراهم می کند. نتایج بررسی های تجربی GMDH برای پیش بینی در بورس اوراق بهادار ارائه شده است. فصول پایانی به تئوری و کاربردهای مدلسازی تکاملی (EM) و الگوریتمهای ژنتیک اختصاص دارد.
وجه تمایز این رساله تعداد زیادی مثال کاربردی از فناوریها و روشهای CI برای حل مسائل واقعی است. در حوزه فناوری، اقتصاد و مالی، بهویژه پیشبینی، طبقهبندی، تشخیص الگو، بهینهسازی پرتفوی، پیشبینی ریسک ورشکستگی در شرایط عدم قطعیت که توسط نویسندگان توسعه داده شد و برای اولین بار در این کتاب منتشر شد. همه روشها و الگوریتمهای CI از رویکرد سیستم عمومی و تجزیه و تحلیل خواص، مزایا و معایب آنها ارائه شدهاند که به پزشکان امکان میدهد تا مناسبترین روش را برای حل مشکلات خود انتخاب کنند.
This monograph is dedicated to the systematic presentation of main trends, technologies and methods of computational intelligence (CI). The book pays big attention to novel important CI technology- fuzzy logic (FL) systems and fuzzy neural networks (FNN). Different FNN including new class of FNN- cascade neo-fuzzy neural networks are considered and their training algorithms are described and analyzed. The applications of FNN to the forecast in macroeconomics and at stock markets are examined. The book presents the problem of portfolio optimization under uncertainty, the novel theory of fuzzy portfolio optimization free of drawbacks of classical model of Markovitz as well as an application for portfolios optimization at Ukrainian, Russian and American stock exchanges. The book also presents the problem of corporations bankruptcy risk forecasting under incomplete and fuzzy information, as well as new methods based on fuzzy sets theory and fuzzy neural networks and results of their application for bankruptcy risk forecasting are presented and compared with Altman method.
This monograph also focuses on an inductive modeling method of self-organization – the so-called Group Method of Data Handling (GMDH) which enables to construct the structure of forecasting models almost automatically. The results of experimental investigations of GMDH for forecasting at stock exchanges are presented. The final chapters are devoted to theory and applications of evolutionary modeling (EM) and genetic algorithms.
The distinguishing feature of this monograph is a great number of practical examples of CI technologies and methods application for solution of real problems in technology, economy and financial sphere, in particular forecasting, classification, pattern recognition, portfolio optimization, bankruptcy risk prediction under uncertainty which were developed by authors and published in this book for the first time. All CI methods and algorithms are presented from the general system approach and analysis of their properties, advantages and drawbacks that enables practitioners to choose the most adequate method for their own problems solution.
Front Matter....Pages i-xx
Neural Networks....Pages 1-37
Neural Networks with Feedback and Self-organization....Pages 39-79
Fuzzy Inference Systems and Fuzzy Neural Networks....Pages 81-131
Application of Fuzzy Logic Systems and Fuzzy Neural Networks in Forecasting Problems in Macroeconomy and Finance....Pages 133-178
Fuzzy Neural Networks in Classification Problems....Pages 179-219
Inductive Modeling Method (GMDH) in Problems of Intellectual Data Analysis and Forecasting....Pages 221-260
The Cluster Analysis in Intellectual Systems....Pages 261-307
Genetic Algorithms and Evolutionary Programing....Pages 309-348
Problem of Fuzzy Portfolio Optimization Under Uncertainty and Its Solution with Application of Computational Intelligence Methods....Pages 349-371
Back Matter....Pages 373-375