Neuronale Netze

ML 67 – Neuronale Netze – Perzeptronen

ML 67 – Neuronale Netze – Perzeptron Training

ML 68 – Neuronale Netze – Perzeptron Training Varianten

ML 69 – Neuronale Netze – Die Phi-Funktion

ML 70 – Neuronale Netze – Mean Squared Error

ML 71 – Neuronale Netze – Multiclass-Problem der Perzeptronen

ML 72 – Neuronale Netze – Feedforward Neuronale Netze

ML 73 – Neuronale Netze – Backpropagation

ML 74 – Neuronale Netze – Rechnung der Output-Neuronen

ML 75 – Neuronale Netze – Rechnung der anderen Neuronen

ML 76 – Neuronale Netze – Cross Entropy Error

ML 76 – Neuronale Netze – Softmax

ML 76.1 – Neuronale Netze – Überspringen von Beispielen

ML 76.2 – Neuronale Netze -dynamische Lernraten

ML 76.3 – Neuronale Netze -Initiale Gewichte und Offsets

ML 76.4 – Neuronale Netze -Quickprop

ML 76.5 – Neuronale Netze -Weight Elimination und Weight Decay

ML 76.6 – Neuronale Netze -Optimal Brain Damage

ML 76.7 – Neuronale Netze – Cascade Correlation

ML 77 – Neuronale Netze – Deep Neural Networks

ML 78 – Neuronale Netze – Hopfield Netze

ML 79 – Neuronale Netze – Boltzmann Machines und Restricted Boltzmann Machines

ML 80 – Neuronale Netze – Cascaded Restricted Boltzmann Machines

ML 81 – Neuronale Netze – Autoencoder

ML 82 – Neuronale Netze – Denoising Autoencoder

ML 83 – Neuronale Netze – Bottleneck Features

ML 84 – Neuronale Netze – Reinforcement Learning – Lernen für Spiele

ML 85 – Neuronale Netze – Reinforcement Learning Monte Carlo Search Trees

ML 86 – Neuronale Netze -Convolutional Neural Networks für Bilder

ML 87 – Neuronale Netze -Rekurrente Neuronale Netze

ML 88 – Neuronale Netze – Linear Short Term Memory

en_USEnglish