Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 10 votes.
Titre original :
Neural Network Learning: Theoretical Foundations
Contenu du livre :
Cet ouvrage important décrit les avancées théoriques récentes dans l'étude des réseaux neuronaux artificiels. Il explore les modèles probabilistes des problèmes d'apprentissage supervisé et aborde les principales questions statistiques et informatiques.
Les chapitres étudient la recherche sur la classification des formes avec des réseaux à sortie binaire, y compris une discussion sur la pertinence de la dimension de Vapnik Chervonenkis, et des estimations de la dimension pour plusieurs modèles de réseaux neuronaux. En outre, Anthony et Bartlett développent un modèle de classification par des réseaux à sortie réelle et démontrent l'utilité de la classification avec une grande marge. Les auteurs expliquent le rôle des versions sensibles à l'échelle de la dimension de Vapnik Chervonenkis dans la classification à grande marge et dans la prédiction réelle.
Des chapitres clés traitent également de la complexité informatique de l'apprentissage par réseau neuronal, en décrivant une variété de résultats de dureté et en décrivant deux algorithmes d'apprentissage efficaces et constructifs. Le livre est autonome et accessible aux chercheurs et aux étudiants diplômés en informatique, en ingénierie et en mathématiques.
Autres informations sur le livre :
| ISBN : | 9780521118620 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2009 |
| Nombre de pages : | 404 |
Achat:
Actuellement disponible, en stock.
