Umfang:
1 Online-Ressource (XXX, 760 Seiten)
,
Illustrationen
ISBN:
9783030367213
Serie:
Springer series in the data sciences
Inhalt:
Introductory Problems -- Activation Functions -- Cost Functions -- Finding Minima Algorithms -- Abstract Neurons -- Neural Networks -- Approximation Theorems -- Learning with One-dimensional Inputs -- Universal Approximators -- Exact Learning -- Information Representation -- Information Capacity Assessment -- Output Manifolds -- Neuromanifolds -- Pooling -- Convolutional Networks -- Recurrent Neural Networks -- Classification -- Generative Models -- Stochastic Networks -- Hints and Solutions.
Inhalt:
This book describes how neural networks operate from the mathematical point of view. As a result, neural networks can be interpreted both as function universal approximators and information processors. The book bridges the gap between ideas and concepts of neural networks, which are used nowadays at an intuitive level, and the precise modern mathematical language, presenting the best practices of the former and enjoying the robustness and elegance of the latter. This book can be used in a graduate course in deep learning, with the first few parts being accessible to senior undergraduates. In addition, the book will be of wide interest to machine learning researchers who are interested in a theoretical understanding of the subject. .
Weitere Ausg.:
ISBN 9783030367206
Weitere Ausg.:
ISBN 9783030367220
Weitere Ausg.:
ISBN 9783030367237
Weitere Ausg.:
Erscheint auch als Druck-Ausgabe Calin, Ovidiu L., 1971 - Deep learning architectures Cham, Switzerland : Springer, 2020 ISBN 9783030367206
Weitere Ausg.:
ISBN 9783030367237
Weitere Ausg.:
Erscheint auch als Druck-Ausgabe ISBN 9783030367220
Weitere Ausg.:
Erscheint auch als Druck-Ausgabe ISBN 9783030367237
Sprache:
Englisch
Fachgebiete:
Informatik
Schlagwort(e):
Deep learning
;
Neuronales Netz
DOI:
10.1007/978-3-030-36721-3
Mehr zum Autor:
Calin, Ovidiu L. 1971-
