Sztuczne sieci neuronowe to prężnie rozwijająca się dziedzina wiedzy. Zadanie sztucznych sieci neuronowych jest modelowanie biologicznych sieci neuronowych, a w szczególności mózgu człowieka.
W ostatnich latach gwałtownie rosną możliwości wykonywania obliczeń w sposób róznoległy. Pojawienie się powyższych możliwości zachęca do połączenia sieci neuronowych z obliczeniami równoległymi.
Spis treści:
Wstęp
1. Wprowadzenie
1.1. Neuron biologiczny
1.2. Sieci neuronowe
1.3. Terminologia i oznaczenia
1.4. Funkcje aktywacji
1.5. Uczenie sieci neuronowych z nauczycielem
1.6. Przestrzeń wag
1.7. Zrównoleglenie obliczeń - przykłady
2. Struktury równoległe sieci jednokierunowych
2.1. Budowa i działanie jednokierunkowych sieci neuronowych
2.2. Realizacja równoległa algorytmu wstecznej propagacji błędów
2.3. Momentowa metoda wstecznej propagacji błędów
2.4. Modyfikacje metody wstecznej propagacji błędów ze zmiennymi współczynnikami uczenia i momentu
2.5. Rekurencyjny algorytm najmniejszych kwadratów
2.6. Algorytm Q-RLS
2.7. Algorytm SM-RLS
2.8. Algorytm UD-RLS
2.9. Zastosowanie dekompozycji QR
2.10. Ogólne metodologie i modyfikacje algorytmów uczenia
3. Struktury równoległe sieci dynamicznych
3.1. Sieć RTRN
3.2. Sieć Elmana
3.3. Sieć RMLP
3.4. Sieć Jordana
4. Możliwości realizacji
4.1. Typy zrównoleglenia
4.2. Instrukcje SIMD
4.3. Wieloprocesorowość symetryczna i procesory wielordzeniowe
4.4. Systemy wielokomputerowe
4.5. Karty graficzne
4.6. Układy programowalne FPGA
5. Podsumowanie
Literatura
Dodatek A
Dodatek B
Dodatek C
adobe algorytmy apache asp autocad asembler bsd c++ c# delphi dtp excel flash html java javascript linux matlab mysql office php samba voip uml unix visual studio windows word
Księgarnia Informatyczna zaprasza.