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: Raúl Rojas (auth.)
سری: Springer-Lehrbuch
ISBN (شابک) : 9783540563532, 9783642612312
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 1993
تعداد صفحات: 431
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 29 مگابایت
کلمات کلیدی مربوط به کتاب نظریه شبکه عصبی: مقدمه ای سیستماتیک: هوش مصنوعی (شامل رباتیک)، تشخیص الگو، معماری پردازنده، محاسبات توسط دستگاههای انتزاعی، برنامه کامپیوتری. در علوم زیستی
در صورت تبدیل فایل کتاب Theorie der neuronalen Netze: Eine systematische Einführung 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 نظریه شبکه عصبی: مقدمه ای سیستماتیک 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.
شبکه های عصبی یک الگوی محاسباتی هستند که توجه روزافزونی را در علوم کامپیوتر به خود جلب می کنند. در این کتاب، رویکردها و مدلهای نظری که در ادبیات پراکنده شدهاند در یک نظریه مدل متقابل شبکههای عصبی مصنوعی ترکیب شدهاند. با نگاهی مداوم به زیست شناسی - با شروع از ساده ترین شبکه ها - نشان داده می شود که چگونه ویژگی های مدل ها با معرفی عناصر محاسباتی عمومی و توپولوژی های شبکه تغییر می کند. هر فصل شامل نمونه هایی است و به طور گسترده نشان داده شده و با یادداشت های کتابشناختی گرد شده است. هدف این کتاب برای خوانندگانی است که میخواهند یک دید کلی پیدا کنند یا دانش موجود را عمیقتر کنند. این به عنوان پایه ای برای سخنرانی های نورو انفورماتیک در دانشگاه های آلمانی زبان مناسب است.
Neuronale Netze sind ein Berechenbarkeitsparadigma, das in der Informatik zunehmende Beachtung findet. In diesem Buch werden theoretische Ansätze und Modelle, die in der Literatur verstreut sind, zu einer modellübergreifenden Theorie der künstlichen neuronalen Netze zusammengefügt. Mit ständigem Blick auf die Biologie wird - ausgehend von einfachsten Netzen - gezeigt, wie sich die Eigenschaften der Modelle verändern, wenn allgemeinere Berechnungselemente und Netztopologien eingeführt werden. Jedes Kapitel enthält Beispiele und ist ausführlich illustriert und durch bibliographische Anmerkungen abgerundet. Das Buch richtet sich an Leser, die sich einen Überblick verschaffen oder vorhandene Kenntnisse vertiefen wollen. Es ist als Grundlage für Neuroinformatikvorlesungen an deutschsprachigen Universitäten geeignet.
Front Matter....Pages i-xviii
Front Matter....Pages 1-1
Das biologische Paradigma....Pages 3-26
Front Matter....Pages 27-27
Das Modell von McCulloch und Pitts....Pages 29-50
Gewichtete Netze — Das Perzeptron....Pages 51-72
Der Perzeptron-Lernalgorithmus....Pages 73-96
Unüberwachtes Lernen....Pages 97-119
Netze mit mehreren Schichten....Pages 121-148
Der Backpropagation-Algorithmus....Pages 149-172
Front Matter....Pages 173-173
Backpropagation und statistische Regression....Pages 175-202
Die Komplexität des Lernens....Pages 203-224
Fuzzy-Logik und neuronale Netze....Pages 225-248
Front Matter....Pages 249-249
Assoziativspeicher....Pages 251-276
Das Hopfield-Modell....Pages 277-301
Kombinatorische Optimierung und Parallelität....Pages 303-316
Stochastische Netze....Pages 317-335
Front Matter....Pages 337-337
Kohonens topologieerhaltende Abbildungen....Pages 339-359
Hybride Modelle....Pages 361-375
Genetische Algorithmen....Pages 377-398
Hardware für neuronale Netze....Pages 399-426
Back Matter....Pages 427-446