Aprendizaje de Redes Neuronales: Fundamentos Teóricos

Esta importante obra describe los recientes avances teóricos en el estudio de las redes neuronales artificiales. Explora modelos probabilísticos de problemas de aprendizaje supervisado y aborda las cuestiones estadísticas y computacionales clave. Los capítulos examinan la investigación sobre la clasificación de patrones con redes de salida binaria, incluyendo una discusión sobre la relevancia de la dimensión de Vapnik-Chervonenkis, y de las estimaciones de la dimensión para varios modelos de redes neuronales. Además, Anthony y Bartlett desarrollan un modelo de clasificación mediante redes de salida real y demuestran la utilidad de la clasificación con un gran margen. Los autores explican el papel de las versiones sensibles a la escala de la dimensión de Vapnik-Chervonenkis en la clasificación con grandes márgenes y en la predicción real. Los capítulos clave también discuten la complejidad computacional del aprendizaje de redes neuronales, describiendo una variedad de resultados de dificultad y esbozando dos algoritmos de aprendizaje constructivos y eficientes. El libro es auto-contenido y accesible para investigadores y estudiantes de posgrado en ciencias de la computación, ingeniería y matemáticas.

Autor: Martin Anthony, Peter L. Bartlett
Editorial: Cambridge University Press
Publicado: 20/08/2009
Páginas: 404
Tipo de encuadernación: Tapa blanda
Peso: 1.30lbs
Tamaño: 9.00h x 6.00w x 0.90d
ISBN13: 9780521118620
ISBN10: 052111862X
Categorías BISAC:
- Computadoras | Inteligencia Artificial | Visión por Computadora y Reconocimiento de Patrones
- Computadoras | Ciencia de Datos | Redes Neuronales
- Computadoras | Redes | General

Este título no es retornable