Andere Kunden interessierten sich auch für
![Neuronale Netze in der wirtschaftswissenschaftlichen Prognose und Modellgenerierung]( "Neuronale Netze in der wirtschaftswissenschaftlichen Prognose und Modellgenerierung")
Neuronale Netze in der wirtschaftswissenschaftlichen Prognose und Modellgenerierung64,99 €![Neuronale Netze in der Finanzwirtschaft]( "Neuronale Netze in der Finanzwirtschaft")
Neuronale Netze in der Finanzwirtschaft54,99 €![Neuronale Netze im Portfoliomanagement]( "Neuronale Netze im Portfoliomanagement")
Neuronale Netze im Portfoliomanagement49,99 €![Neuronale Netze zur Analyse von nichtlinearen Strukturmodellen mit latenten Variablen]( "Neuronale Netze zur Analyse von nichtlinearen Strukturmodellen mit latenten Variablen")
Neuronale Netze zur Analyse von nichtlinearen Strukturmodellen mit latenten Variablen54,99 €![Neuronale Netze als Prognoseinstrument]( "Neuronale Netze als Prognoseinstrument")
Neuronale Netze als Prognoseinstrument49,00 €![Lokale und öffentliche Netze]( "Lokale und öffentliche Netze")
Lokale und öffentliche Netze54,99 €![Stichprobenbasierte Assoziationsanalyse im Rahmen des Knowledge Discovery in Databases]( "Stichprobenbasierte Assoziationsanalyse im Rahmen des Knowledge Discovery in Databases")
Stichprobenbasierte Assoziationsanalyse im Rahmen des Knowledge Discovery in Databases74,99 €
Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung von Künstlichen Neuronalen Netzen wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zu dieser Modellierungsklasse zählen. Sie vergleicht deren Performance mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der Künstlichen Neuronalen Netze, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.
Künstliche Neuronale Netze (KNN) zählen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit großen Erwartungen hinsichtlich Prognosefähigkeiten und Erkenntnisgewinn verbunden.
Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.
Künstliche Neuronale Netze (KNN) zählen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit großen Erwartungen hinsichtlich Prognosefähigkeiten und Erkenntnisgewinn verbunden.
Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.