Questa guida pratica contiene un'ampia varietà di algoritmi all'avanguardia utili nella progettazione e nell'implementazione delle reti neurali. Tutti gli algoritmi sono presentati sia a livello intuitivo che teorico, con il codice sorgente completo fornito su un disco di accompagnamento. Sono presenti diversi algoritmi di addestramento per reti feedforward multistrato (MLFN). La rete neurale probabilistica viene estesa per consentire sigma separati per ciascuna variabile e persino vettori sigma separati per ciascuna classe. La rete neurale di regressione generalizzata è estesa in modo simile e viene fornito un veloce algoritmo di addestramento del secondo ordine per tutti questi modelli. Il libro discute anche la rete neurale Gram-Charlier recentemente sviluppata e fornisce importanti informazioni sui suoi punti di forza e di debolezza. Ai lettori vengono mostrati diversi metodi comprovati per ridurre la dimensionalità dei dati di input. Algoritmi avanzati per reti neurali copre anche l'addestramento avanzato multiple-sigma PNN e GRNN, inclusa l'ottimizzazione del gradiente coniugato basata sulla convalida incrociata, l'algoritmo di addestramento Levenberg-Marquardt per reti feedforward multistrato, l'ottimizzazione stocastica avanzata, inclusi la ricottura simulata di Cauchy e il livellamento stocastico, la riduzione e l'ortogonalizzazione dei dati tramite componenti principali e funzioni discriminanti, tecniche di convalida economiche ma potenti, tra cui il coltello a serramanico, il bootstrap e il cross validazione e include un programma PNN/GRNN completo e all'avanguardia, con codice sorgente ed eseguibile.
caricamento...
