Name: Deep Neural Networks in a Mathematical Framework (Springerbriefs in Computer Science) (en Inglés)
Price: 124370.00 CLP
Availability: InStock
Author: Anthony L. L. Caterini
ISBN: 9783319753034

portada Deep Neural Networks in a Mathematical Framework (Springerbriefs in Computer Science) (en Inglés)

Formato

Libro Físico

Editorial

Springer

Autor

Anthony L. L. Caterini

Año

2018

Idioma

Inglés

N° páginas

100

Encuadernación

Tapa Blanda

ISBN13

9783319753034

N° edición

Categorías

Reconocimiento de formas
Visión por ordenador

Deep Neural Networks in a Mathematical Framework (Springerbriefs in Computer Science) (en Inglés)

Anthony L. L. Caterini (Autor) · Springer · Tapa Blanda

Libro Nuevo

$ 124.370

$ 172.740

Ahorras: $ 48.370

28% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Viernes 17 de Mayo y el Martes 28 de Mayo.

Lo recibirás en cualquier lugar de Chile entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Deep Neural Networks in a Mathematical Framework (Springerbriefs in Computer Science) (en Inglés)"

This SpringerBrief describes how to build a rigorous end-to-end mathematical framework for deep neural networks. The authors provide tools to represent and describe neural networks, casting previous results in the field in a more natural light. In particular, the authors derive gradient descent algorithms in a unified way for several neural network structures, including multilayer perceptrons, convolutional neural networks, deep autoencoders and recurrent neural networks. Furthermore, the authors developed framework is both more concise and mathematically intuitive than previous representations of neural networks.This SpringerBrief is one step towards unlocking the black box of Deep Learning. The authors believe that this framework will help catalyze further discoveries regarding the mathematical properties of neural networks.This SpringerBrief is accessible not only to researchers, professionals and students working and studying in the field of deep learning, but also to those outside of the neutral network community.