Die Eignung Neuronaler Netze für die Mining-Funktionen Clustern und Vorhersage als eBook Download von
5 Angebote vergleichen

Lieferung aus: Österreich, Sofort per Download lieferbar.
Textprobe: Kapitel 2, Neuronale Netze: 2.1, Hintergrund - Eine kurze Geschichte der Neuroinformatik: Die Ursprünge der Neuroinformatik sind die Arbeiten von WARREN MCCULLOCH und WALTER PITTS (1943) und von DONALD HEBB (1949). MCCULLOCH und PITTS beschreiben in ihrem Aufsatz eine mathematisch formalisierte Version eines Neurons, das Schwellenwertneuron: Die Ausgabe des Neurons ist 1, wenn die gewichtete Summe der Eingaben den Schwellenwert des Neurons überschreitet, und 0 andernfalls. MCCULLOCH Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik führte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, nützliches Wissen automatisch aus großen Datenbeständen zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie Data Mining, Knowledge Discovery in Databases (KDD) oder Datenmustererkennung eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse. Die Literatur über Data Mining dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbeständen neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des Data Mining beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als Künstliche Neuronale Netze bezeichnet, als Mining-Algorithmen für die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze für Clustern und Vorhersagen prädestiniert sind. 01.05.2015, PDF.

Textprobe: Kapitel 2, Neuronale Netze: 2.1, Hintergrund - Eine kurze Geschichte der Neuroinformatik: Die Ursprünge der Neuroinformatik sind die Arbeiten von WARREN MCCULLOCH und WALTER PITTS (1943) und von DONALD HEBB (1949). MCCULLOCH und PITTS beschreiben in ihrem Aufsatz eine mathematisch formalisierte Version eines Neurons, das Schwellenwertneuron: Die Ausgabe des Neurons ist 1, wenn die gewichtete Summe der Eingaben den Schwellenwert des Neurons überschreitet, und 0 andernfalls. MCCULLOCH Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik führte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, nützliches Wissen automatisch aus großen Datenbeständen zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie Data Mining, Knowledge Discovery in Databases (KDD) oder Datenmustererkennung eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse. Die Literatur über Data Mining dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbeständen neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des Data Mining beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als Künstliche Neuronale Netze bezeichnet, als Mining-Algorithmen für die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze für Clustern und Vorhersagen prädestiniert sind.

Lieferung aus: Deutschland, Versandkostenfrei.
Die Eignung Neuronaler Netze für die Mining-Funktionen Clustern und Vorhersage: Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik führte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, nützliches Wissen automatisch aus großen Datenbeständen zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie `Data Mining`, `Knowledge Discovery in Databases` (KDD) oder `Datenmustererkennung` eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse.Die Literatur über `Data Mining` dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbeständen neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des `Data Mining` beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als Künstliche Neuronale Netze bezeichnet, als Mining-Algorithmen für die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze für Clustern und Vorhersagen prädestiniert sind. Ebook.

Lieferung aus: Deutschland, E-Book zum Download.
Schnelles Wachstum gespeicherter Datenmengen in der Informationstechnik führte in den vergangenen Jahren zu einem steigenden Interesse an Methoden, die in der Lage sind, nützliches Wissen automatisch aus großen Datenbeständen zu filtern. Mit dem Ziel, solche Methoden zu entwickeln, hat sich inzwischen unter Synonymen wie Data Mining, Knowledge Discovery in Databases (KDD) oder Datenmustererkennung eine neue Forschungsrichtung etabliert, die bislang isoliert arbeitende Einzeldisziplinen vereinigt. Zu nennen sind die Disziplinen Statistik, Datenbank- und Expertensystemforschung, automatischer Wissenserwerb, Maschinelles Lernen und Fuzzy-Datenanalyse. Die Literatur über Data Mining dokumentiert zahlreiche Versuche, aus verschiedenartigsten Datenbeständen neue Erkenntnisse zu gewinnen. Hierbei werden unterschiedliche Algorithmen des Data Mining beschrieben. Ziel hierbei ist es, die Eignung Neuronaler Netze, oft auch als Künstliche Neuronale Netze bezeichnet, als Mining-Algorithmen für die Mining-Funktionen Clustern und Vorhersage zu untersuchen. Dabei begrenzt sich die Sichtweise auf Backpropagation- und Kohonen-Netze, da diese Neuronalen Netze für Clustern und Vorhersagen prädestiniert sind.

Die Eignung Neuronaler Netze für die Mining-Funktionen Clustern und Vorhersage: Thomas Zabel Die Eignung Neuronaler Netze für die Mining-Funktionen Clustern und Vorhersage: Thomas Zabel.