دانلود کتاب Hebbian Learning and Negative Feedback Networks
49,000 تومان
شبکه های یادگیری و بازخورد منفی هبیان
| موضوع اصلی | تحصیلات |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Springer |
| تعداد صفحه | 388 |
| حجم فایل | 7 مگابایت |
| کد کتاب | 9781852338831,1852338830 |
| نوبت چاپ | 1 |
| نویسنده | Colin Fyfe |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2004 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
شبکه های یادگیری و بازخورد منفی هبیان
ایده اصلی شبکههای یادگیری و بازخورد منفی هبیان این است که شبکههای عصبی مصنوعی با استفاده از بازخورد منفی فعالسازی میتوانند از یادگیری ساده هبی برای خودسازماندهی استفاده کنند تا ساختارهای جالبی را در مجموعه دادهها کشف کنند. دو نوع در نظر گرفته شده است: اولی از یک جریان واحد داده برای خود سازماندهی استفاده می کند. با تغییر قوانین یادگیری برای شبکه، نحوه انجام تجزیه و تحلیل مؤلفه اصلی، پیگیری طرح ریزی اکتشافی، تجزیه و تحلیل مؤلفه مستقل، تحلیل عاملی و انواع نگاشت های حفظ توپولوژی برای چنین مجموعه داده ها نشان داده می شود. انواع دوم از دو جریان داده ورودی استفاده می کنند که بر اساس آنها خود سازماندهی می شوند. در شکل اصلی خود، این شبکهها نشان داده شدهاند که تجزیه و تحلیل همبستگی متعارف را انجام میدهند، تکنیک آماری که فیلترهایی را پیدا میکند که پیشبینیهای دو جریان داده با آنها بیشترین همبستگی را دارند. این کتاب شامل طیف گستردهای از آزمایشهای واقعی است و نشان میدهد که چگونه رویکردهایی که فرموله میکند میتواند برای تجزیه و تحلیل مسائل واقعی اعمال شود.
Hebbian Learning and Negative Feedback Networks
The central idea of Hebbian Learning and Negative Feedback Networks is that artificial neural networks using negative feedback of activation can use simple Hebbian learning to self-organise so that they uncover interesting structures in data sets. Two variants are considered: the first uses a single stream of data to self-organise. By changing the learning rules for the network, it is shown how to perform Principal Component Analysis, Exploratory Projection Pursuit, Independent Component Analysis, Factor Analysis & a variety of topology preserving mappings for such data sets. The second variants use two input data streams on which they self-organise. In their basic form, these networks are shown to perform Canonical Correlation Analysis, the statistical technique which finds those filters onto which projections of the two data streams have greatest correlation. The book encompasses a wide range of real experiments & displays how the approaches it formulates can be applied to the analysis of real problems.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.