In diesem Buch findet der Leser effiziente Methoden zur Optimierung Neuronaler Netze. Insbesondere durch die ausführliche Behandlung des Reinforcement Learning und der Evolutiven Optimierung geht es über den Inhalt der bisherigen Lehrbücher zum Thema Neuronale Netze hinaus. Die Optimierung neuronaler Modelle wird in folgende Faktoren aufgeteilt: Neuronale Modelle, Lernprobleme, Optimierungsverfahren und Hardwareimplementierung. Dadurch erhält der Leser die Möglichkeit, in seiner eigenen Anwendung die Bausteine seinen Zielen entsprechend zu kombinieren: Neuronales Modell vs. Neuro-Fuzzy-Modell, Supervised Learning vs. Reinforcement Learning, Gradientenabstieg vs. Evolution, sequentiell vs. parallel.

Der Autor behandelt erstmals in einem Lehrbuch das Reinforcement Learning und die Evolutive Optimierung. Das Buch führt in die Optimierung Neuronaler Netze durch Lernen und Evolution anhand gebräuchlicher Modelle ein. Der Leser kann die beschriebenen Verfahren effizient nutzen.

Inhalt
1.Einführung.- 1.1 Überblick.- 1.2 Aufbau.- 2.Neuronale Modelle Von Expertenwissen.- 2.1 Einführung.- 2.2 Implizite Wissensrepräsentation (Interpolation).- 2.3 Explizite Wissensrepräsentation (Prototypen).- 2.4 Semantische Netze - Optimierung durch Relaxation.- 3.Neuronale Modelle Für Strategielernen.- 3.1 Problemstellung.- 3.2 Lernen nach Beispielen.- 3.3 Lernen nach Zielvorgabe.- 3.4 Reinforcement-Lernen.- 4.Evolution Neuronaler Netze.- 4.1 Evolutionäre Algorithmen.- 4.2 Grundkonzeption von ENZO.- 4.3 ENZO für Überwachtes Lernen.- 4.4 ENZO für Reinforcement-Lernen.- 4.5 ENZO für unscharfe Regler.- 4.6 Lernen und Evolution auf einem Parallelrechner.- Schlussbemerkung.- Literatur.