Neural Network Learning: Theoretical Foundations
Kurzinformation
inkl. MwSt. Versandinformationen
Lieferzeit 1-3 Werktage
Lieferzeit 1-3 Werktage

Beschreibung
"Neural Network Learning: Theoretical Foundations" von Martin Anthony bietet eine umfassende Einführung in die theoretischen Grundlagen des maschinellen Lernens mit neuronalen Netzen. Das Buch behandelt zentrale Konzepte wie die Kapazität von Hypothesenräumen, Lerntheorie und Komplexitätsmaße, die für das Verständnis der Leistungsfähigkeit von neuronalen Netzen entscheidend sind. Es untersucht verschiedene Lernparadigmen und mathematische Modelle, um die Effizienz und Grenzen dieser Algorithmen zu ergründen. Durch einen analytischen Ansatz vermittelt Anthony ein tiefes Verständnis der Mechanismen hinter dem Lernen in neuronalen Netzwerken und bietet wertvolle Einblicke für Forscher und Studierende im Bereich der künstlichen Intelligenz.
Produktdetails
So garantieren wir Dir zu jeder Zeit Premiumqualität.
Über den Autor
- Kartoniert
- 480 Seiten
- Erschienen 2005
- The MIT Press
- Taschenbuch
- 352 Seiten
- Erschienen 1991
- Westview Press
- paperback
- 288 Seiten
- Erschienen 2013
- Springer
- paperback
- 380 Seiten
- Erschienen 2019
- Springer
- paperback
- 204 Seiten
- Erschienen 1999
- Springer
- paperback
- 93 Seiten
- Erschienen 2023
- American Mathematical Society
- Kartoniert
- 760 Seiten
- Erschienen 2016
- Springer
- Kartoniert
- 232 Seiten
- Erschienen 2017
- O'Reilly
- Taschenbuch
- 504 Seiten
- Erschienen 2020
- Springer
- hardcover
- 226 Seiten
- Erschienen 2019
- Springer
- Klappenbroschur
- 479 Seiten
- Erschienen 2020
- Rheinwerk Computing
- hardcover
- 220 Seiten
- Erschienen 2020
- Springer
- Gebunden
- 292 Seiten
- Erschienen 2014
- Springer
- Gebunden
- 336 Seiten
- Erschienen 2020
- Carl Hanser Verlag GmbH & C...
- paperback
- 736 Seiten
- Erschienen 2003
- Oxford University Press, U....



