Computational Intelligence: Eine methodische Einführung in by Rudolf Kruse, Christian Borgelt, Christian Braune, Frank

  • admin
  • April 2, 2017
  • German 3
  • Comments Off on Computational Intelligence: Eine methodische Einführung in by Rudolf Kruse, Christian Borgelt, Christian Braune, Frank

By Rudolf Kruse, Christian Borgelt, Christian Braune, Frank Klawonn, Christian Moewes, Matthias Steinbrecher

Die Autoren behandeln umfassend zentrale Themen der Informatik von Künstlichen Neuronalen Netzen, über Evolutionäre Algorithmen bis hin zu Fuzzy-Systemen und Bayes-Netzen. Denn: Der Anwendungsbereich „Computational Intelligence“ erlangt durch viele erfolgreiche industrielle Produkte immer mehr an Bedeutung. Dieses Buch behandelt die zentralen Techniken dieses Gebiets und bettet sie in ein didaktisches Konzept ein, welches sich gezielt an Studierende und Lehrende der Informatik wendet. Für die vorliegende 2. Auflage des Buches wurden alle Themenbereiche überarbeitet, aktualisiert und zum Teil erweitert.

Zusatzmaterialen wie Aufgaben, Lösungen und Foliensätze für Vorlesungen sowie Beispiele aus der industriellen Anwendung betonen den praktischen Charakter des Buches. 

Show description

Read or Download Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze PDF

Similar german_3 books

Der Anlagestil deutscher Aktienfonds : eine portfoliobasierte Analyse mittels style-identifizierender Fundamentalfaktoren

Mit Hilfe der portfoliobasierten Analysemethodik, dem genauesten Verfahren zur Identifizierung des Investmentstils untersucht Andreas Postert den Anlagestil von seventy eight in Deutschland zugelassenen Aktienfonds und geht der Frage nach, ob die Fondsmanager eines bestimmten Anlagestils besonders erfolgreich agieren.

Die Kunst zu überzeugen : faire und unfaire Dialektik

Die Voraussetzungen erfolgreicher Argumentation (Dialektik) und moderner Rhetorik werden in diesem Buch uberzeugend dargestellt. Der Autor, selbst erfolgreich in der Beratung und im FuhrungskrCftetraining erfahren, erlCutert praxisgerechte Grundlagen. Das Buch hilft dem Leser, seine UberzeugungsfChigkeit in konkreten Situationen zu verbessern.

Additional resources for Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze

Sample text

Die Neuberechnungen enden entweder, wenn das Netz einen stabilen Zustand erreicht hat, wenn sich also durch weitere Neuberechnungen die Ausgaben der Neuronen nicht mehr ändern, oder wenn eine vorher festgelegte Zahl von Neuberechnungen ausgeführt wurde. 38 Kapitel 4. Allgemeine neuronale Netze Die zeitliche Abfolge der Neuberechnungen ist nicht allgemein festgelegt (wenn es auch je nach Netztyp bestimmte naheliegende Abfolgen gibt). So können z. B. alle Neuronen eines Netzes ihre Ausgaben gleichzeitig (synchron) neu berechnen, wobei sie auf die alten Ausgaben ihrer Vorgänger zurückgreifen.

19: Ein Schwellenwertelement mit zwei Eingängen und Trainingsbeispiele für die Konjunktion y = x1 ∧ x2 . 20: Geometrie des gelernten Schwellenwertelementes für x1 ∧ x2 . Die rechts gezeigte Gerade hat die Gleichung 2x1 + x2 = 3. 16 links dargestellten entspricht. 3 den Batch-Lernvorgang. 16 in der Mitte bzw. rechts gezeigten. Als weiteres Beispiel betrachten wir ein Schwellenwertelement mit zwei Eingängen, das so trainiert werden soll, dass es die Konjunktion seiner Eingänge berechnet. 19 dargestellt.

Das muss natürlich nicht immer so sein. Zur Illustration der Matrixschreibweise der Gewichte stellen wir auch die Gewichte dieses Netzes durch zwei Matrizen dar. Wir erhalten   2 −2 0  2 2 0  2 0 2 0  W1 =  und W2 = ,  0 2 2  0 2 0 2 0 −2 2 wobei die Matrix W1 wieder für die Verbindungen von der Eingabeschicht zu der versteckten Schicht und die Matrix W2 für die Verbindungen von der versteckten Schicht zur Ausgabeschicht steht. Man beachte, dass in diesen Matrizen fehlende Verbindungen durch Nullgewichte dargestellt sind.

Download PDF sample

Rated 4.94 of 5 – based on 40 votes