Willkommen, schön sind Sie da!
Logo Ex Libris

Tiefes Lernen

  • Kartonierter Einband
  • 60 Seiten
(0) Erste Bewertung abgeben
Bewertungen
(0)
(0)
(0)
(0)
(0)
Alle Bewertungen ansehen
Tiefes Lernen ist heutzutage ein heißes Forschungsthema. Neuronale Netze sind die Arbeitspferde des tiefen Lernens. In dieser Fors... Weiterlesen
20%
54.90 CHF 43.90
Print on demand - Exemplar wird für Sie besorgt.
Bestellung & Lieferung in eine Filiale möglich

Beschreibung

Tiefes Lernen ist heutzutage ein heißes Forschungsthema. Neuronale Netze sind die Arbeitspferde des tiefen Lernens. In dieser Forschung wurden die Grundlagen neuronaler Netzwerke untersucht. ANNs können als Strukturen definiert werden, die aus dicht miteinander verbundenen adaptiven einfachen Verarbeitungselementen (künstliche Neuronen oder Knoten genannt) bestehen, die in der Lage sind, massiv parallele Berechnungen zur Datenverarbeitung und Wissensrepräsentation durchzuführen. Die Definition eines künstlichen neuronalen Netzes wurde erwähnt, das Design eines neuronalen Netzes wurde diskutiert, das Lernen eines neuronalen Netzes wurde untersucht, die populärsten Arten von neuronalen Netzen wie Hopfield-Netze, Netze der adaptiven Resonanztheorie (ART), Kohonen-Netze, Backpropagation-Netze, rekurrierende Netze, Gegenpropagations-Netze und Netze der Radialen Basisfunktion (RBF) wurden besprochen und allgemeine Fragen der ANN-Entwicklung wurden untersucht.

Autorentext

Professor für Vermessung und Photogrammetrie. MSc. und B.Sc. in Vermessungstechnik. Leiter der Abteilung Luftfahrt und Luftbildfotografie - NARSS-Ägypten. Mehr als 50 Publikationen zu nationalen/internationalen Konferenzen. Fast 20 Forschungsprojekte mit Beteiligung.

Produktinformationen

Titel: Tiefes Lernen
Untertitel: Artificial Neural Networks (ANN)
Autor:
EAN: 9786200668714
ISBN: 978-620-0-66871-4
Format: Kartonierter Einband
Herausgeber: AV Akademikerverlag
Genre: Allgemeine und vergleichende Sprach- und Literaturwissenschaft
Anzahl Seiten: 60
Gewicht: 107g
Größe: H220mm x B150mm x T4mm
Jahr: 2020