Uczenie się sieci neuronowych: Podstawy teoretyczne

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 10 głosach.

Oryginalny tytuł:

Neural Network Learning: Theoretical Foundations

Zawartość książki:

Ta ważna praca opisuje ostatnie teoretyczne postępy w badaniu sztucznych sieci neuronowych. Omówiono w niej probabilistyczne modele nadzorowanego uczenia się oraz kluczowe zagadnienia statystyczne i obliczeniowe.

Rozdziały zawierają przegląd badań nad klasyfikacją wzorców za pomocą sieci binarnych, w tym dyskusję na temat znaczenia wymiaru Vapnika Chervonenkisa oraz szacunków wymiaru dla kilku modeli sieci neuronowych. Ponadto Anthony i Bartlett opracowują model klasyfikacji za pomocą sieci o rzeczywistym wyjściu i demonstrują przydatność klasyfikacji z dużym marginesem. Autorzy wyjaśniają rolę wrażliwych na skalę wersji wymiaru Vapnika Chervonenkisa w klasyfikacji z dużym marginesem oraz w rzeczywistym przewidywaniu.

Kluczowe rozdziały omawiają również złożoność obliczeniową uczenia się sieci neuronowych, opisując różne wyniki twardości i przedstawiając dwa wydajne, konstruktywne algorytmy uczenia się. Książka jest samodzielna i dostępna dla badaczy i absolwentów informatyki, inżynierii i matematyki.