دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 2nd edition نویسندگان: Rudolf Kruse. Christian Borgelt. Christian Braune. Sanaz Mostaghim, Matthias Steinbrecher سری: ISBN (شابک) : 9781447172949, 1447172949 ناشر: Springer London سال نشر: 2016 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Computational intelligence: a methodological introduction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش محاسباتی: مقدمه ای روش شناختی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب درسی مقدمهای واضح و منطقی به این حوزه ارائه میکند و مفاهیم اساسی، الگوریتمها و پیادهسازیهای عملی را در پشت تلاشها برای توسعه سیستمهایی که رفتار هوشمندانهای را در محیطهای پیچیده نشان میدهند، پوشش میدهد. این ویرایش دوم پیشرفته با محتوای جدید در مورد هوش ازدحام، یادگیری عمیق، تجزیه و تحلیل داده های فازی و نمودارهای تصمیم گسسته به طور کامل بازبینی و گسترش یافته است. ویژگی ها: مطالب تکمیلی را در یک وب سایت مرتبط ارائه می دهد. شامل مثال ها و تعاریف متعدد تست شده در کلاس درس در سراسر متن. بینش های مفیدی را در مورد همه چیزهایی که برای کاربرد موفقیت آمیز روش های هوش محاسباتی ضروری است ارائه می دهد. پیشینه نظری را که پشتوانه راه حل های پیشنهادی برای مشکلات رایج است توضیح می دهد. به طور مفصل در مورد حوزه های کلاسیک شبکه های عصبی مصنوعی، سیستم های فازی و الگوریتم های تکاملی بحث می کند. آخرین تحولات در این زمینه را بررسی می کند و موضوعاتی مانند بهینه سازی کلونی مورچه ها و مدل های گرافیکی احتمالی را پوشش می دهد.
This textbook provides a clear and logical introduction to the field, covering the fundamental concepts, algorithms and practical implementations behind efforts to develop systems that exhibit intelligent behavior in complex environments. This enhanced second edition has been fully revised and expanded with new content on swarm intelligence, deep learning, fuzzy data analysis, and discrete decision graphs. Features: provides supplementary material at an associated website; contains numerous classroom-tested examples and definitions throughout the text; presents useful insights into all that is necessary for the successful application of computational intelligence methods; explains the theoretical background underpinning proposed solutions to common problems; discusses in great detail the classical areas of artificial neural networks, fuzzy systems and evolutionary algorithms; reviews the latest developments in the field, covering such topics as ant colony optimization and probabilistic graphical models.
Front Matter....Pages i-xiii
Introduction to Computational Intelligence....Pages 1-5
Front Matter....Pages 7-7
Introduction to Neural Networks....Pages 9-13
Threshold Logic Units....Pages 15-35
General Neural Networks....Pages 37-46
Multilayer Perceptrons....Pages 47-92
Radial Basis Function Networks....Pages 93-112
Self-organizing Maps....Pages 113-129
Hopfield Networks....Pages 131-157
Recurrent Networks....Pages 159-171
Mathematical Remarks for Neural Networks....Pages 173-180
Front Matter....Pages 181-181
Introduction to Evolutionary Algorithms....Pages 183-212
Elements of Evolutionary Algorithms....Pages 213-243
Fundamental Evolutionary Algorithms....Pages 245-297
Computational Swarm Intelligence....Pages 299-325
Front Matter....Pages 327-327
Introduction to Fuzzy Sets and Fuzzy Logic....Pages 329-359
The Extension Principle....Pages 361-367
Fuzzy Relations....Pages 369-382
Similarity Relations....Pages 383-393
Fuzzy Control....Pages 395-430
Fuzzy Data Analysis....Pages 431-456
Front Matter....Pages 457-457
Introduction to Bayes Networks....Pages 459-463
Elements of Probability and Graph Theory....Pages 465-491
Decompositions....Pages 493-505
Evidence Propagation....Pages 507-519
Learning Graphical Models....Pages 521-530
Belief Revision....Pages 531-539
Decision Graphs....Pages 541-551
Back Matter....Pages 553-564