نرم افزار: سیستم ها: محاسبات علمی

یادگیری شبکه عصبی: مبانی نظری

Neural Network Learning: Theoretical Foundations

دانلود کتاب Neural Network Learning: Theoretical Foundations (به فارسی: یادگیری شبکه عصبی: مبانی نظری) نوشته شده توسط «Martin Anthony – Peter L. Bartlett»

اطلاعات کتاب یادگیری شبکه عصبی: مبانی نظری

موضوع اصلی: کامپیوتر – علوم کامپیوتر

نوع: کتاب الکترونیکی

نویسنده: Martin Anthony – Peter L. Bartlett

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2009

تعداد صفحه: 404

حجم فایل: 9.25 مگابایت

کد کتاب: 052111862X , 9780521118620

نوبت چاپ: 1

توضیحات کتاب یادگیری شبکه عصبی: مبانی نظری

این کار مهم پیشرفت های نظری اخیر در مطالعه شبکه های عصبی مصنوعی را توصیف می کند. این مدل‌های احتمالی مسائل یادگیری تحت نظارت را بررسی می‌کند و به سوالات کلیدی آماری و محاسباتی می‌پردازد. فصل‌ها تحقیق در مورد طبقه‌بندی الگو با شبکه‌های خروجی باینری را بررسی می‌کنند، از جمله بحث در مورد ارتباط بعد Vapnik Chervonenkis، و تخمین‌های بعد برای چندین مدل شبکه عصبی. علاوه بر این، آنتونی و بارتلت مدلی از طبقه بندی بر اساس شبکه های خروجی واقعی ایجاد کردند و سودمندی طبقه بندی را با «حاشیه بزرگ» نشان دادند. نویسندگان نقش نسخه‌های حساس به مقیاس بعد Vapnik Chervonenkis را در طبقه‌بندی حاشیه بزرگ و در پیش‌بینی واقعی توضیح می‌دهند. فصل‌های کلیدی همچنین پیچیدگی محاسباتی یادگیری شبکه‌های عصبی را مورد بحث قرار می‌دهند، انواع نتایج سختی را توصیف می‌کنند و دو الگوریتم یادگیری سازنده و کارآمد را تشریح می‌کنند. این کتاب مستقل است و برای محققان و دانشجویان تحصیلات تکمیلی در علوم کامپیوتر، مهندسی و ریاضیات قابل دسترسی است.

This important work describes recent theoretical advances in the study of artificial neural networks. It explores probabilistic models of supervised learning problems, and addresses the key statistical and computational questions. Chapters survey research on pattern classification with binary-output networks, including a discussion of the relevance of the Vapnik Chervonenkis dimension, and of estimates of the dimension for several neural network models. In addition, Anthony and Bartlett develop a model of classification by real-output networks, and demonstrate the usefulness of classification with a “large margin.” The authors explain the role of scale-sensitive versions of the Vapnik Chervonenkis dimension in large margin classification, and in real prediction. Key chapters also discuss the computational complexity of neural network learning, describing a variety of hardness results, and outlining two efficient, constructive learning algorithms. The book is self-contained and accessible to researchers and graduate students in computer science, engineering, and mathematics.

دانلود کتاب «یادگیری شبکه عصبی: مبانی نظری»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان