26,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

As Redes Neurais Artificiais (ANN) tornaram-se uma ferramenta poderosa na tomada de decisões. Tem muitas qualidades, que podem facilmente atrair o utilizador, tais como a capacidade de "aprender com diferentes dados dinâmicos que são obtidos através de ajuste interno de peso, fácil e rápido no cálculo, fornece uma solução robusta em presença de ruído e fornece uma solução precisa quando utilizada sobre um conjunto de exemplos anteriormente não vistos do domínio problemático. No entanto, tem um grande inconveniente de trabalhar, uma vez que a tecnologia de "caixa negra" que é introduzida é o…mehr

Produktbeschreibung
As Redes Neurais Artificiais (ANN) tornaram-se uma ferramenta poderosa na tomada de decisões. Tem muitas qualidades, que podem facilmente atrair o utilizador, tais como a capacidade de "aprender com diferentes dados dinâmicos que são obtidos através de ajuste interno de peso, fácil e rápido no cálculo, fornece uma solução robusta em presença de ruído e fornece uma solução precisa quando utilizada sobre um conjunto de exemplos anteriormente não vistos do domínio problemático. No entanto, tem um grande inconveniente de trabalhar, uma vez que a tecnologia de "caixa negra" que é introduzida é o fornecimento a uma rede treinada, que processou opacamente. Devido a esta falta de transparência, as estruturas de rede são confusas. Juntamente com isto, as redes de camadas múltiplas e recorrentes estão a complicar os problemas, especialmente quando os algoritmos genéticos produzem os pesos das ANN, uma vez que é necessário conhecimento directo sobre o funcionamento concreto. Algumas técnicas como CART e C 4.5 produziram modelos transparentes que fornecem resultados compreensíveis, mas não são assim tão precisos. Gostaríamos de mostrar alguma perspectiva sobre a extracção de regras (RE) através da qual podemos acrescentar facilidades de explicação às ANNs.
Autorenporträt
Nikita Jain - M. Tech. Scholar, India.