Российская национальная библиография

Описание RUSMARC Карточка
Книга

Анализ и визуализация нейронных сетей с внешней памятью / Александр Биданец

Автор: Биданец, АлександрЯзык: русский.Выходные данные: Симферополь : Полипринт, 2021Физическая характеристика: 97 с. : ил., цв. ил. ; 29 см.ISBN: 978-5-6046943-8-1 Резюме: В данной книге детально описаны принципы работы нейросетевых моделей: нейронная машина Тьюринга, дифференцируемый нейронный компьютер, a также модификации последнего. Перечислены сферы применимости этих моделей. Выделены преимущества по сравнению с более ранней успешной моделью LTM. Описаны недостатки этих моделей, а также способы их устранения. Дано теоретическое обоснование того факта, что выше рассмотренные нейронные сети с внешней памятью, обладают большим потенциалом для решения многих задач, чем LSTM.Библиография: Библиогр.: с. 80-84 (36 назв.).Предметная рубрика - Тема: "Машина Тьюринга" | Искусственные нейронные сети с внешней памятью УДК: 004.032.26, 4Другие классификации: ( rubbks ) 16.632 ; З815 ; З818 Тип экземпляра: Книга
Параметры
    Средний рейтинг: 0.0 (0 голосов)
Экземпляры
Тип экземпляра Текущая библиотека Шифр хранения Кол-во копий Статус Срок возврата Штрих-код
Книга РНБ (Московский) Русский книжный фонд: издания с 1957 года, 8этаж, Хран. 2022-8/2730 (Просмотр полки(Открывается ниже)) КН-П-2787 Доступно 1-3919756
Книга РНБ (Московский) Русский книжный фонд: издания с 1957 года, 8этаж, Хран. 2022-8/2730 (Просмотр полки(Открывается ниже)) КН-П-2787 Доступно 1-3919760

Библиогр.: с. 80-84 (36 назв.)

В данной книге детально описаны принципы работы нейросетевых моделей: нейронная машина Тьюринга, дифференцируемый нейронный компьютер, a также модификации последнего. Перечислены сферы применимости этих моделей. Выделены преимущества по сравнению с более ранней успешной моделью LTM. Описаны недостатки этих моделей, а также способы их устранения. Дано теоретическое обоснование того факта, что выше рассмотренные нейронные сети с внешней памятью, обладают большим потенциалом для решения многих задач, чем LSTM