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
- 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
- Taschenbuch
- 504 Seiten
- Erschienen 2020
- Springer
- hardcover
- 220 Seiten
- Erschienen 2020
- Springer
- Gebunden
- 292 Seiten
- Erschienen 2014
- Springer
- Gebunden
- 294 Seiten
- Erschienen 2015
- Springer
- Gebunden
- 352 Seiten
- Erschienen 2018
- The MIT Press
- Gebunden
- 280 Seiten
- Erschienen 2010
- Springer
- Kartoniert
- 621 Seiten
- Erschienen 2020
- Springer
- paperback
- 737 Seiten
- Erschienen 2016
- Springer



