ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Sensitivity Analysis for Neural Networks

دانلود کتاب تجزیه و تحلیل حساسیت برای شبکه های عصبی

Sensitivity Analysis for Neural Networks

مشخصات کتاب

Sensitivity Analysis for Neural Networks

ویرایش: 1 
نویسندگان: , , ,   
سری: Natural Computing Series 
ISBN (شابک) : 3642025315, 9783642025310 
ناشر: Springer-Verlag Berlin Heidelberg 
سال نشر: 2010 
تعداد صفحات: 96 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

قیمت کتاب (تومان) : 53,000



کلمات کلیدی مربوط به کتاب تجزیه و تحلیل حساسیت برای شبکه های عصبی: هوش مصنوعی (شامل رباتیک)، کنترل، رباتیک، مکاترونیک، فیزیک آماری، سیستم‌های دینامیکی و پیچیدگی، تشخیص الگو، شبیه‌سازی و مدل‌سازی، طراحی مهندسی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Sensitivity Analysis for Neural Networks به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تجزیه و تحلیل حساسیت برای شبکه های عصبی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب تجزیه و تحلیل حساسیت برای شبکه های عصبی



شبکه‌های عصبی مصنوعی برای مدل‌سازی سیستم‌هایی استفاده می‌شوند که ورودی‌ها و خروجی‌ها را تولید می‌کنند. روابط بین ورودی‌ها و خروجی‌ها و پارامترهای نمایش مسائلی حیاتی در طراحی سیستم‌های مهندسی مرتبط هستند و تحلیل حساسیت به روش‌هایی برای تجزیه و تحلیل این روابط مربوط می‌شود. اختلالات شبکه های عصبی ناشی از عدم دقت ماشین است و می توان آنها را با تعبیه اختلالات در ورودی های اصلی یا وزن اتصال شبیه سازی کرد و به ما امکان می دهد ویژگی های یک تابع را تحت اغتشاشات کوچک پارامترهای آن مطالعه کنیم.

این اولین کتابی است که توصیفی سیستماتیک از روش های تحلیل حساسیت برای شبکه های عصبی مصنوعی ارائه می دهد. این تحلیل حساسیت شبکه‌های عصبی پرسپترون چندلایه و شبکه‌های عصبی تابع پایه شعاعی، دو مدل پرکاربرد در زمینه یادگیری ماشین را پوشش می‌دهد. نویسندگان کاربردهای چنین تحلیلی را در کارهایی مانند انتخاب ویژگی، کاهش نمونه و بهینه سازی شبکه بررسی می کنند. این کتاب برای مهندسانی که از تحلیل حساسیت شبکه عصبی برای حل مسائل عملی استفاده می کنند و برای محققان علاقه مند به مسائل اساسی در شبکه های عصبی مفید خواهد بود.


توضیحاتی درمورد کتاب به خارجی

Artificial neural networks are used to model systems that receive inputs and produce outputs. The relationships between the inputs and outputs and the representation parameters are critical issues in the design of related engineering systems, and sensitivity analysis concerns methods for analyzing these relationships. Perturbations of neural networks are caused by machine imprecision, and they can be simulated by embedding disturbances in the original inputs or connection weights, allowing us to study the characteristics of a function under small perturbations of its parameters.

This is the first book to present a systematic description of sensitivity analysis methods for artificial neural networks. It covers sensitivity analysis of multilayer perceptron neural networks and radial basis function neural networks, two widely used models in the machine learning field. The authors examine the applications of such analysis in tasks such as feature selection, sample reduction, and network optimization. The book will be useful for engineers applying neural network sensitivity analysis to solve practical problems, and for researchers interested in foundational problems in neural networks.



فهرست مطالب

Front Matter....Pages i-viii
Introduction to Neural Networks....Pages 1-15
Principles of Sensitivity Analysis....Pages 17-24
Hyper-Rectangle Model....Pages 25-27
Sensitivity Analysis with Parameterized Activation Function....Pages 29-31
Localized Generalization Error Model....Pages 33-46
Critical Vector Learning for RBF Networks....Pages 47-53
Sensitivity Analysis of Prior Knowledge 1 ....Pages 55-67
Applications....Pages 69-82
Back Matter....Pages 83-86




نظرات کاربران