Name: Profondo CollabNet (en Italiano)
Price: 1242.67 MXN
Availability: InStock
Author: Laurence, Moisés ; de Almeida, Areolino
ISBN: 9786205814840

Envío gratis

portada Profondo CollabNet (en Italiano)

Formato

Libro Físico

Autor

Moisés Laurence

Areolino de Almeida

Editorial

Edizioni Sapienza

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

Peso

0.10 kg.

ISBN13

9786205814840

Categorías

Tecnología de la información: cuestiones generales

Profondo CollabNet (en Italiano)

Moisés Laurence (Autor) · Areolino de Almeida (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo

$ 1,242.67

$ 2,071.12

Ahorras: $ 828.45

40% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Lunes 29 de Julio y el Martes 06 de Agosto.

Lo recibirás en cualquier lugar de México entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Profondo CollabNet (en Italiano)"

Con l'obiettivo di migliorare l'apprendimento delle reti neurali profonde, questo lavoro propone la rete CollabNet, che consiste in un nuovo metodo di inserimento di nuovi strati nascosti nelle reti neurali di tipo Deep FeedForward, ispirato agli autoencoder impilati. La nuova forma di inserimento è considerata collaborativa e mira a migliorare l'addestramento rispetto agli approcci basati sugli autoencoder impilati. In questo nuovo approccio, l'inserimento dello strato avviene in modo coordinato e graduale, mantenendo sotto il controllo del progettista l'influenza di questo nuovo strato nell'addestramento e non più in modo casuale e stocastico come nell'impilamento tradizionale. La collaborazione proposta in questo lavoro consiste nel far sì che il nuovo strato inserito continui l'apprendimento ottenuto dagli strati precedenti, senza danneggiare l'apprendimento globale della rete. In questo modo, il nuovo strato inserito collabora con gli strati precedenti e l'ensemble lavora in modo più allineato con l'apprendimento. CollabNet è stato testato su un database di un problema reale, ottenendo risultati soddisfacenti e promettenti.