Part 1 - Kooths.de

Empfehlungen

Info

Soft Computing im KI-Kontext: Überschneidungen und Hybridansätze Unschärfe Lernfähigkeit explizites Wissen Genetische Algorithmen Neuronale Netze Fuzzy Logik Expertensysteme Neuro-Fuzzy-Systeme (Hybridbeispiel) Agentendesign Multiagentensysteme KOOTHS – BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 | Teil 1 8
Literatur • Backhaus, K. u.a.: Multivariate Analysemethoden; 10. Aufl., Springer- Verlag, Berlin u.a.O. 2003. [Kap. 12] • Badiru, A. B. / Cheung, J. Y.: Fuzzy Engineering Expert Sytems with Neural Network Applications; John Wiley & Sons 2002. [Ch. 8,9] • Callan, R.: Neuronale Netze im Klartext; Pearson Studium, München 2003. • Lange, C.: Neuronale Netze in der wirtschaftswissenschaftlichen Prognose und Modellgenerierung; Physica-Verlag, Heidelberg 2004. • Luger, G. F.: Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 5th Ed., Addison-Wesley, Upper Saddle River 2005. [Ch. 11,12] • Kooths, S.: Erfahrungsregeln und Konjunkturdynamik – Makromodelle mit Neuro-Fuzzy-generierten Erwartungen; Peter Lang Europäischer Verlag der Wissenschaften, Frankfurt/M. u.a.O. 1998. [Kap. 2] • McCord Nelson, M. / Illingworth, W. T.: A Practical Guide to Neural Nets; Addison-Wesley, New York u.a.O. 1994. • Rehkugler, H. / Zimmermann, H. G. (Hrsg.): Neuronale Netze in der Ökonomie – Grundlagen und finanzwirtschaftliche Anwendungen; Verlag Vahlen, München 1994. • Turban, E. / Aronson, J. E. / Liang, T.-P.: Decision Support Systems and Intelligent Systems, 7th Ed., Prentice Hall, Upper Saddle River 2005. [Ch. 12] KOOTHS – BiTS: Neuronale Netze / Soft Computing, WS 2004/2005 | Teil 1 9
Seite 1 und 2: Neuronale Netze/ Soft Computing Tei
Seite 3 und 4: Gliederung 1. Einführung und Einor
Seite 5 und 6: Einordnung in die BI-relevanten KI-
Seite 7: Soft Computing: Teilgebiete (Basist
Seite 11 und 12: Gliederung 1. Einführung und Einor
Seite 13 und 14: (Künstliche) Neuronale Netze • V
Seite 15 und 16: Natürliches Vorbild: Menschliches
Seite 17 und 18: SOR-Modell INPUT (Problem) „Infor
Seite 19 und 20: Signalfluss in einem natürlichen N
Seite 21 und 22: „Informationsverarbeitung“, Wis
Seite 23 und 24: Formale Neuronen (Processing Units)
Seite 25 und 26: Interne Funktionen eines Neurons
Seite 27 und 28: Bestimmung des Nettoinputs hier: ne
Seite 29 und 30: Komponenten/Eigenschaften eines Neu
Seite 31 und 32: Systematisierung Neuronaler Netze (
Seite 33 und 34: Netztopologien 1: Feedforward-Netze
Seite 35 und 36: Netztopologien 3: Netze mit Rückko
Seite 37 und 38: Konnektivitätsmuster in Matrixnota
Seite 39 und 40: Demo 1 Lösungsbaustein: Perceptron
Seite 41 und 42: Demo 1 XOR-Operator x y Neuronales
Seite 43 und 44: Demo 1 Grafische Interpretation von
Seite 45 und 46: Demo 2 Netzmodell (ohne Bias-Neuron
Seite 47 und 48: Allgemeine Aspekte neuronaler Lernv
Seite 49 und 50: Trainingsepochen und -modus • Tra
Seite 51 und 52: Lernphase • Initialisierung der N
Seite 53 und 54: Hebbsche Lernregel: Einfache Form
Seite 55 und 56: Hebbsche Lernregel: Allgemeine Form
Seite 57 und 58: Generalisierte Delta-Regel (Error-B
Seite 59 und 60:
Lerngegenstand und Lernverfahren Ne
Alle anzeigen

Part 1 - Kooths.de

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?