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: Legenstein R., Pecevski D., Maass W. سری: ناشر: سال نشر: تعداد صفحات: 8 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 195 کیلوبایت
کلمات کلیدی مربوط به کتاب تحلیل نظری یادگیری با انعطافپذیری وابسته به زمان سنبله تعدیلشده با پاداش: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی
در صورت تبدیل فایل کتاب Theoretical Analysis of Learning with Reward-Modulated Spike-Timing-Dependent Plasticity 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 تحلیل نظری یادگیری با انعطافپذیری وابسته به زمان سنبله تعدیلشده با پاداش 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.
انعطافپذیری وابسته به زمان سنبله تعدیلشده با پاداش (STDP)
اخیراً
بهعنوان نامزدی برای یک قانون یادگیری ظاهر شده است که میتواند
توضیح دهد که چگونه قوانین یادگیری محلی
در سیناپسهای منفرد از تغییرات تطبیقی مرتبط رفتاری در پیچیده
پشتیبانی میکنند
شبکه های نورون های پراکنده. با این حال، پتانسیل و محدودیتهای
این
قانون یادگیری را میتوان تنها از طریق شبیهسازی رایانهای
آزمایش کرد. این مقاله
ابزارهایی را برای درمان تحلیلی STDP تعدیلشده با پاداش ارائه
میکند که
به ما امکان میدهد پیشبینی کنیم که تحت چه شرایطی STDP
تعدیلشده با پاداش میتواند
به یک اثر یادگیری مطلوب دست یابد. بهویژه، ما میتوانیم از این
طریق یک توضیح نظری و یک مدل رایانهای برای یافتههای تجربی
بنیادی
در مورد بیوفیدبک در میمونها تولید کنیم.
Reward-modulated spike-timing-dependent plasticity (STDP) has
recently
emerged as a candidate for a learning rule that could explain
how local learning
rules at single synapses support behaviorally relevant adaptive
changes in complex
networks of spiking neurons. However the potential and
limitations of this
learning rule could so far only be tested through computer
simulations. This article
provides tools for an analytic treatment of reward-modulated
STDP, which
allow us to predict under which conditions reward-modulated
STDP will be able
to achieve a desired learning effect. In particular, we can
produce in this way
a theoretical explanation and a computer model for a
fundamental experimental
finding on biofeedback in monkeys.