Книга "Нейрокомпьютерная техника: Теория и практика", Уоссермен Ф.

Краткое описание/вступление:

уется   огромное   разнообразие   обучающих
алгоритмов. Потребовалась бы значительно большая по объему книга,  чем  эта,
для рассмотрения этого предмета полностью. Чтобы  рассмотреть  этот  предмет
систематически, если  и  не  исчерпывающе,  в  каждой  из  последующих  глав
подробно описаны алгоритмы обучения для рассматриваемой в главе парадигмы. В
дополнение в приложении Б представлен общий обзор, в определенной мере более
обширный, хотя  и  не  очень  глубокий.  В  нем  дан  исторический  контекст
алгоритмов обучения, их общая таксономия, ряд преимуществ и  ограничений.  В
силу необходимости это приведет к повторению  части  материала,  оправданием
ему служит расширение взгляда на предмет. ПРОЛОГ
   В последующих главах представлены и проанализированы  некоторые  наиболее
важные  сетевые  конфигурации  и  их  алгоритмы   обучения.   Представленные
парадигмы дают представление об искусстве конструирования сетей в целом, его
прошлом и настоящем. Многие другие  парадигмы  при  тщательном  рассмотрении
оказываются лишь их  модификациями.  Сегодняшнее  развитие  нейронных  сетей
скорее эволюционно, чем революционно.  Поэтому  понимание  представленных  в
данной  книге  парадигм  позволит  следить  за  прогрессом  в  этой   быстро
развивающейся области.
   Упор  сделан  на  интуитивные  и  алгоритмические,  а  не  математические
аспекты. Книга адресована скорее пользователю искусственных нейронных сетей,
чем теоретику. Сообщается, следовательно, достаточно информации, чтобы  дать
читателю  возможность   понимать   основные   идеи.   Те,   кто   знаком   с
программированием,  смогут  реализовать  любую  из   этих   сетей.   Сложные
математические выкладки опущены, если только они не имеют прямого  отношения
к реализации сети. Для заинтересованного читателя приводятся ссылки на более
строгие и полные работы. Литература
   1.  Grossberg  S.  1973.  Contour  enhancement,  short-term  memory,  and
consistencies  in  reverberating  neural  networks