Nichtlineare, multivariate Approximation mit Perzeptrons und anderen Funktionen auf verschiedenen Hochleistungsrechnern

Více o knize

Künstliche Neuronale Netze werden seit den 1950er Jahren genutzt, um Rechnern "natürliche" Intelligenz zu verleihen. Im überwachten Lernen werden Muster, bestehend aus Eingaben und den entsprechenden Soll-Ausgaben, vorgegeben. Ziel ist es, ein geeignetes Netz zu entwickeln und zu trainieren, das die Soll-Ausgaben möglichst genau liefert. Ein effektives Netz muss zudem für ähnliche Eingaben sinnvolle Ausgaben generieren (Generalisierung). Je nach Problemstellung müssen weitere Kriterien erfüllt werden, wie beispielsweise die Begrenzung der Gesamt- oder Maximalkrümmung im Nutzungsbereich. Das Buch beleuchtet das überwachte Lernen mit 3- und 4-lagigen Perzeptrons sowie Radial-Basis-Netzen aus mathematischer Perspektive. Die Trainingsmethoden basieren auf globalen Hochleistungsoptimierungsverfahren. Zudem wird die Implementierung im neuartigen Neurosimulator FAUN (Fast approximation with universal neural networks, Beta-Version 0.3) vorgestellt, der durch grob- und feingranulare Parallelisierungsansätze auf verschiedenen Hochleistungsrechnern effizient arbeitet. Komplexe Anwendungsbeispiele wie Marktpreismodelle für Optionen, Zinsprognosen und robuste Steuerungen für Raumgleiter werden präsentiert. Die interdisziplinäre Darstellung des überwachten Lernens richtet sich an Mathematiker, Informatiker sowie interessierte Wirtschaftswissenschaftler und Ingenieure.