Nouveauté
Tecniche e Strumenti per L'intelligenzArtificiale. Reti Neurali Tramite R e Python
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8231997190
- EAN9798231997190
- Date de parution24/07/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurWalzone Press
Résumé
L'intelligenza artificiale è la base di tutto l'apprendimento automatico e il futuro di tutti i processi decisionali complessi. L'intelligenza artificiale combina algoritmi matematici e tecniche di Machine Learning, Deep Learning e Big Data per estrarre la conoscenza contenuta nei dati e presentarla in modo comprensibile e automatico. Questo libro approfondisce l'uso delle reti neurali per l'apprendimento supervisionato e non supervisionato.
Per quanto riguarda l'apprendimento supervisionato, vengono prese in considerazione le architetture più comuni, come il percettrone multistrato, la rete a base radiale, le reti ADALINE, le reti HOPFIELD, le reti probabilistiche, le reti lineari, le reti di regressione generalizzata, le reti LVQ, le reti lineari e le reti per l'ottimizzazione dei modelli di regressione. In questa sezione dell'analisi supervisionata, un'attenzione particolare va riservata alle reti neurali per la previsione delle serie temporali, come la rete LSTM, le reti GRU, le reti neurali ricorrenti RNN, le reti NARX, le reti NNAR e, in generale, le reti neurali dinamiche.
L'apprendimento non supervisionato sviluppa reti di riconoscimento dei modelli e di analisi dei cluster come le reti KOHONEN (SOM Self-Organising Maps), le reti di riconoscimento dei modelli, le reti neurali autoencoder, le reti di apprendimento transfer, le reti di rilevamento delle anomalie e le reti neurali convoluzionali. I seguenti argomenti descrivono metodologicamente le architetture dei diversi tipi di reti neurali e la loro utilità nelle applicazioni pratiche.
Inoltre, per ogni tipo di rete neurale, vengono presentati esempi con una sintassi ottimale nei linguaggi R e Python.
Per quanto riguarda l'apprendimento supervisionato, vengono prese in considerazione le architetture più comuni, come il percettrone multistrato, la rete a base radiale, le reti ADALINE, le reti HOPFIELD, le reti probabilistiche, le reti lineari, le reti di regressione generalizzata, le reti LVQ, le reti lineari e le reti per l'ottimizzazione dei modelli di regressione. In questa sezione dell'analisi supervisionata, un'attenzione particolare va riservata alle reti neurali per la previsione delle serie temporali, come la rete LSTM, le reti GRU, le reti neurali ricorrenti RNN, le reti NARX, le reti NNAR e, in generale, le reti neurali dinamiche.
L'apprendimento non supervisionato sviluppa reti di riconoscimento dei modelli e di analisi dei cluster come le reti KOHONEN (SOM Self-Organising Maps), le reti di riconoscimento dei modelli, le reti neurali autoencoder, le reti di apprendimento transfer, le reti di rilevamento delle anomalie e le reti neurali convoluzionali. I seguenti argomenti descrivono metodologicamente le architetture dei diversi tipi di reti neurali e la loro utilità nelle applicazioni pratiche.
Inoltre, per ogni tipo di rete neurale, vengono presentati esempi con una sintassi ottimale nei linguaggi R e Python.
L'intelligenza artificiale è la base di tutto l'apprendimento automatico e il futuro di tutti i processi decisionali complessi. L'intelligenza artificiale combina algoritmi matematici e tecniche di Machine Learning, Deep Learning e Big Data per estrarre la conoscenza contenuta nei dati e presentarla in modo comprensibile e automatico. Questo libro approfondisce l'uso delle reti neurali per l'apprendimento supervisionato e non supervisionato.
Per quanto riguarda l'apprendimento supervisionato, vengono prese in considerazione le architetture più comuni, come il percettrone multistrato, la rete a base radiale, le reti ADALINE, le reti HOPFIELD, le reti probabilistiche, le reti lineari, le reti di regressione generalizzata, le reti LVQ, le reti lineari e le reti per l'ottimizzazione dei modelli di regressione. In questa sezione dell'analisi supervisionata, un'attenzione particolare va riservata alle reti neurali per la previsione delle serie temporali, come la rete LSTM, le reti GRU, le reti neurali ricorrenti RNN, le reti NARX, le reti NNAR e, in generale, le reti neurali dinamiche.
L'apprendimento non supervisionato sviluppa reti di riconoscimento dei modelli e di analisi dei cluster come le reti KOHONEN (SOM Self-Organising Maps), le reti di riconoscimento dei modelli, le reti neurali autoencoder, le reti di apprendimento transfer, le reti di rilevamento delle anomalie e le reti neurali convoluzionali. I seguenti argomenti descrivono metodologicamente le architetture dei diversi tipi di reti neurali e la loro utilità nelle applicazioni pratiche.
Inoltre, per ogni tipo di rete neurale, vengono presentati esempi con una sintassi ottimale nei linguaggi R e Python.
Per quanto riguarda l'apprendimento supervisionato, vengono prese in considerazione le architetture più comuni, come il percettrone multistrato, la rete a base radiale, le reti ADALINE, le reti HOPFIELD, le reti probabilistiche, le reti lineari, le reti di regressione generalizzata, le reti LVQ, le reti lineari e le reti per l'ottimizzazione dei modelli di regressione. In questa sezione dell'analisi supervisionata, un'attenzione particolare va riservata alle reti neurali per la previsione delle serie temporali, come la rete LSTM, le reti GRU, le reti neurali ricorrenti RNN, le reti NARX, le reti NNAR e, in generale, le reti neurali dinamiche.
L'apprendimento non supervisionato sviluppa reti di riconoscimento dei modelli e di analisi dei cluster come le reti KOHONEN (SOM Self-Organising Maps), le reti di riconoscimento dei modelli, le reti neurali autoencoder, le reti di apprendimento transfer, le reti di rilevamento delle anomalie e le reti neurali convoluzionali. I seguenti argomenti descrivono metodologicamente le architetture dei diversi tipi di reti neurali e la loro utilità nelle applicazioni pratiche.
Inoltre, per ogni tipo di rete neurale, vengono presentati esempi con una sintassi ottimale nei linguaggi R e Python.
