Neurális hálózati tanulás: Elméleti alapok

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 10 olvasói szavazat alapján történt.

Eredeti címe:

Neural Network Learning: Theoretical Foundations

Könyv tartalma:

Ez a fontos mű a mesterséges neurális hálózatok tanulmányozásának legújabb elméleti eredményeit ismerteti. Feltárja a felügyelt tanulási problémák valószínűségi modelljeit, és foglalkozik a legfontosabb statisztikai és számítási kérdésekkel.

A fejezetek áttekintik a bináris kimenettel rendelkező hálózatokkal végzett mintaosztályozással kapcsolatos kutatásokat, beleértve a Vapnik Chervonenkis dimenzió jelentőségének tárgyalását, valamint a dimenzió becslését több neurális hálózati modellre vonatkozóan. Emellett Anthony és Bartlett kidolgozza a valós kimenettel rendelkező hálózatokkal történő osztályozás modelljét, és bemutatja a nagy margóval történő osztályozás hasznosságát. A szerzők kifejtik a Vapnik Chervonenkis dimenzió skála-érzékeny változatainak szerepét a nagy margós osztályozásban és a valós előrejelzésben.

A kulcsfontosságú fejezetek a neurális hálózatok tanulásának számítási bonyolultságát is tárgyalják, számos keménységi eredményt ismertetve, és két hatékony, konstruktív tanulási algoritmust vázolva. A könyv önálló és hozzáférhető az informatika, a mérnöki tudományok és a matematika kutatói és végzős hallgatói számára.