Нейронная сеть и машинное обучение (оригинальная книга 3 -е издание) Компьютерное книги искусственное интеллект Нейронный вычисление Глубокого обучения Программа Программа Дизайн Учебник Учебник серия компьютерных наук [Синьхуа Книжный магазин Флагманский магазин Официальный веб -сайт] Официальный веб -сайт]
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| |||||||||||||||||||||||||||||||||
Название: Нейронная сеть и машинное обучение (оригинальное 3 -е издание)
Автор: (плюс) Саймон Хейкин
Пресса: Machinery Industry Press
Количество страниц: 572
Открыто: 16
Рамка
ISBN: 9787111324133
Цена: 79,00
Издатель
Переводчик
Предисловие
Сокращение и символ
термин
D0 ВВЕДЕНИЕ
0,1 Что такое нейронная сеть
0,2 человеческий мозг
0,3 нейрон модель
0.4 Это рассматривается как нейронная сеть с картой направления
0,5 обратная связь
0.6 СЕТИВНАЯ СТРУКТУРА
0.7 Представление знаний
0,8 Процесс обучения
0,9 Учебная задача
0.10 конечный язык
Примечание и ссылки
Глава D1 Rosenblatt Peris
1.1 Введение
1.2 Восприятие
1.3 Теорема
1.4 Отношения между восприятием и байесовским классификатором в гауссовой среде
1.5 Компьютерный эксперимент: классификация режимов
1.6 Алгоритм восприятия партии
1.7 Резюме и обсуждение
Примечание и ссылки
упражнение
Глава D2 Создайте модель через возвращение
2.1 Введение
2.2 Модель линейной регрессии: предварительное рассмотрение
2.3. Проверка Z Dajie вектора параметров
2.4 Взаимосвязь между обычной оценкой z xiaoxing и оценкой карты
2.5 Компьютерный эксперимент: классификация режимов
2.6 z Принцип длины небольшого описания
2,7 Фиксированный размер выборки рассмотрим
2.8 Метод переменной инструментов
2.9 Резюме и обсуждение
Примечание и ссылки
упражнение
D3 ГЛАВА Z Малый алгоритм алгоритм
3.1 Введение
3.2 Структура фильтра алгоритма LMS
3.3 Нет ограничений z Оптимизация: обзор
3.4 Virgin Filter
3,5 Z небольшой квадратный алгоритм
3.6 Нарисуйте отклонение алгоритма LMS и фильтра Weina с моделью Malcov
3.7 Уравнение Лангжитана: характеристики коричневого движения
3,8 Средний метод Kushner Direct
3.9 Маленький параметр обучения статистическая теория обучения LMS
3.10 Компьютерный эксперимент ⅰ: линейный прогноз
3.11 Компьютерный эксперимент ⅱ: классификация режима
3.12 Преимущества и ограничения алгоритма LMS
3.13 План анонсов обучения
3.14 Резюме и обсуждение
Примечание и ссылки
Упражнение 7
ГЛАВА D4 Multi -Layer Peris
D5 Глава ядерный метод и сеть радиальной базовой функции
D6 поддержка векторной машины
D7 Теория регуляризации
Глава D8 Анализ основного собрания
D9 Self -Organizing Mapping
D10 Теория информации об обучении
Глава D11 случайное, укоренившееся статистической механикой
D12 Динамическое планирование
Глава D13 Dynamics
Глава D14 Динамическое состояние системы расчетное байесовское фильтр
Глава D15 Динамические динамики рекурсивной сети
Рекомендации
Нейронные сети являются важными ветвями интеллектуального и машинного обучения, и добились большого успеха во многих областях.Среди множества работ нейронной сети «Принципы нейронной сети» Саймона Хейкина (третье издание переименовано в «Нейронную сеть и машинное обучение»).В этой книге автор объединяет новый прогресс в нейронных сетях и машинном обучении в последние годы, начиная с теоретического и практического применения, всесторонне и систематически вводит основные модели, методы и технологии нейронных сетей, а также органически органически организованные нейронные сети и машинное обучение .
«Нейронная сеть и машинное обучение» фокусируется не только на обсуждении методов и теорий математического анализа, но и уделяет большое внимание применению нейронных сетей в задачах практического инженера, таких как распознавание режимов, обработка сигналов и системы управления.Показательность этой книги очень читается.
Это издание было широко пересмотрено на основе предыдущего издания, предоставляя новый анализ двух все более важных дисциплин нейронных сетей и машинного обучения.
Особенности этой книги:
1. Алгоритмы онлайн -обучения на основе случайного снижения градиента;
2. Auclear Methods, включая опорные векторные машины и теоремы выражения.
3. Модель обучения теории информации, включая соединение, независимый анализ компонентов (ICA), последовательный независимый анализ компонентов и узкое место.
4. Случайное динамическое планирование, включая приближение и нейронное динамическое планирование.
5. Оценка алгоритма один за другим, включая карман и фильтры частиц.
6. Используйте однократное состояние для оценки рекурсивной нейронной сети.
7. Понимание -ориентированный компьютерный тест.
Саймон Хейкин получил докторскую степень в Университете Бирмингема в 1953 году. В настоящее время он является профессором на факультете электроники и компьютерной инженерии и директором Лаборатории исследований в области коммуникации Университета МакМастера в Канаде.Он является известным ученым в международной электронном и электротехнике и выиграл премию IEEE McNaughton Gold.Он является академиком Королевского общества Канады и IEEE.
[Все книги в этом магазине - подлинные книги]
[Семь дней без причины возврата службы]