Rudolf Kruse, Christian Borgelt, Christian Braune, Frank's Computational Intelligence: Eine methodische Einführung in PDF

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

ISBN-10: 3834812757

ISBN-13: 9783834812759

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

Get Lehrbuch Informatik: Vorkurs Programmieren, Geschichte und PDF

Dieses Lehrbuch schließt eine große Lücke in den Unterrichtsmaterialien für das Lehramtsstudium und für die Informatik an Gymnasien. Das Buch besteht aus drei Modulen zu den Themen Programmierung, Geschichte und Begriffsbildung und Automaten. Jedes Modul entspricht im Umfang sixteen bis 32 Unterrichtsstunden.

Oliver Fehrenbacher's Besteuerung der GmbH & Co. KG PDF

In der GmbH&Co. KG wird die Haftung durch die GmbHübernommen und ist entsprechend beschränkt. Diese beliebte shape der Personengesellschaft hat neben dem haftungsrechtlichen Vorteil auch zahlreiche steuerrechtliche Vor-, aber auch Nachteile. Das Werk- nennt die gesellschaftsrechtlichen Grundlagen,- beschreibt steuerrechtliche Vor- und Nachteile,- nennt Wege der Steueroptimierung und- beinhaltet zahlreiche Beispiele, Muster und Praxishinweise.

Read e-book online AutoCAD-Zeichenkurs PDF

AutoCAD-Zeichenkurs vermittelt Grundkenntnisse und Grundfertigkeiten im rechnerunterst? tzten Zeichnen und Konstruieren. Aufgrund seiner Konzeption wird der erste Einstieg in das CAD-System AutoCAD 14 besonders erleichtert. In systematischen Lernschritten werden die wesentlichen Vorgehensweisen beim Erstellen einer technischen Zeichnung behandelt.

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

Example text

Ur Diese Matrix ist von oben nach rechts zu lesen: Den Spalten sind die Neuronen zugeordnet, von denen die Verbindungen ausgehen, den Zeilen die Neuronen, zu denen sie führen. (Man beachte, dass Neuronen auch mit sich selbst verbunden sein können — Diagonalelemente der obigen Matrix). Diese Matrix und den ihr entsprechenden, mit Verbindungsgewichten versehenen Graphen nennt man auch die Netzstruktur. Nach der Netzstruktur unterscheidet man zwei Arten von neuronalen Netzen: Ist der Graph, der die Netzstruktur eines neuronalen Netzes angibt, azyklisch, enthält er also keine Schleifen1 und keine gerichteten Kreise, so spricht man von einem vorwärtsbetriebenen Netz (feed forward network).

3 Ein (künstliches) neuronales Netz ist ein (gerichteter) Graph G = (U, C ), dessen Knoten u ∈ U Neuronen (neurons, units) und dessen Kanten c ∈ C Verbindungen (connections) heißen. Die Menge U der Knoten ist unterteilt in die Menge Uin der Eingabeneuronen (input neurons), die Menge Uout der Ausgabeneuronen (output neurons) und die Menge Uhidden der versteckten Neuronen (hidden neurons). Es gilt U = Uin ∪ Uout ∪ Uhidden, Uin = ∅, Uout = ∅, Uhidden ∩ (Uin ∪ Uout ) = ∅. Jeder Verbindung (v, u) ∈ C ist ein Gewicht wuv zugeordnet und jedem Neuron u ∈ U drei (reellwertige) Zustandsgrößen: die Netzeingabe netu (network input), die Aktivierung actu (activation) und die Ausgabe outu (output).

2 Sei x = ( x1 , . . , x n ) ein Eingabevektor eines Schwellenwertelementes, o die für diesen Eingabevektor gewünschte Ausgabe (output) und y die tatsächliche Ausgabe des Schwellenwertelementes. Ist y = o, dann wird zur Verringerung des Fehlers der Schwellenwert θ und der Gewichtsvektor w = (w1 , . . , wn ) wie folgt verändert: ∀i ∈ {1, . . , n} : θ (neu) = θ (alt) + ∆θ (neu) (alt) wi = wi + ∆wi mit mit ∆θ = −η (o − y), ∆wi = η (o − y) x i , wobei η ein Parameter ist, der Lernrate genannt wird.

Download PDF sample

Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze by Rudolf Kruse, Christian Borgelt, Christian Braune, Frank Klawonn, Christian Moewes, Matthias Steinbrecher


by Paul
4.4

Rated 4.25 of 5 – based on 36 votes