Generalized Matrix Inversion: A Machine Learning Approach by Stanimirović, Predrag S.; Wei, Yimin; Li, Shuai;

12% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 213.99
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.

88 752 Ft (84 526 Ft + 5% áfa)
Kedvezmény(ek) 12% (cc. 10 650 Ft off)
Kedvezményes ár 78 102 Ft (74 383 Ft + 5% áfa)

88 752 Ft

Beszerezhetőség

Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.

A termék adatai:

Kiadó Springer Nature Switzerland
Megjelenés dátuma 2026. január 3.
Kötetek száma 1 pieces, Book

ISBN 9783032014924
Kötéstípus Keménykötés
Terjedelem333 oldal
Méret 235x155 mm
Nyelv angol
Illusztrációk XXXVII, 333 p. 135 illus., 74 illus. in color.

Kategóriák

Algebra Analízis Valószínűségelmélet és matematikai statisztika Matematika a mérnöki- és természettudományok területén Taxonómia, rendszertan A mérnöki tudományok általános kérdései A számítástudomány elmélete, a számítástechnika általában Rendszeranalízis, rendszertervezés Operációs rendszerek és grafikus felhasználói felületek Mesterséges intelligencia További könyvek a számítástechnika területén

Hosszú leírás:

"

This book presents a comprehensive exploration of the dynamical system approach in numerical linear algebra, with a special focus on computing generalized inverses, solving systems of linear equations, and addressing linear matrix equations. Bridging four major scientific domains—numerical linear algebra, recurrent neural networks (RNNs), dynamical systems, and unconstrained nonlinear optimization—this book offers a unique, interdisciplinary perspective.

Generalized Matrix Inversion: A Machine Learning Approach explores the theory and application of recurrent neural networks, particularly continuous-time recurrent neural networks (CTRNNs), which use systems of ordinary differential equations to model the influence of inputs on neurons. Special attention is given to CTRNNs designed for finding zeros of equations or minimizing nonlinear functions, with detailed coverage of two important classes: Gradient Neural Networks (GNN) and Zhang (Zeroing) Neural Networks (ZNN). Both time-varying and time-invariant models are examined across scalar, vector, and matrix cases.

Based on the authors’ research that has been published in leading scientific journals, the book spans a variety of disciplines, including linear and multilinear algebra, generalized inverses, recurrent neural networks, dynamical systems, time-varying problem solving, and unconstrained nonlinear optimization. Readers will find a global overview of activation functions, rigorous convergence analysis, and innovative improvements in the definition of error functions for GNN and ZNN dynamic systems.

Generalized Matrix Inversion: A Machine Learning Approach is an essential resource for researchers and practitioners seeking advanced methods at the intersection of machine learning, optimization, and matrix computation.

"

Több

Tartalomjegyzék:

1. Background Information.- 2 Gradient Neural Network (GNN) and their Modifications.- 3 Zeroing Neural Network (ZNN).- 4 From iterations to ZNNs and vice versa, 5 Modified ZNN dynamical systems.