Learning and Generalization: With Applications to Neural Networks (Communications and Control Engineering Series) （2nd ed.）

個数：

Learning and Generalization: With Applications to Neural Networks (Communications and Control Engineering Series) （2nd ed.）

  • 提携先の海外書籍取次会社に在庫がございます。通常3週間で発送いたします。
    【重要ご説明事項】
    1. 納期遅延や、ご入手不能となる場合が若干ございます。
    2. 複数冊ご注文の場合、分割発送となる場合がございます。
    3. 美品のご指定は承りかねます。
  • 【入荷遅延について】
    世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
    おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。
  • ◆画像の表紙や帯等は実物とは異なる場合があります。
  • ◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
    また、洋書販売価格は、ご注文確定時点での日本円価格となります。
    ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。
  • 製本 Hardcover:ハードカバー版／ページ数 505 p.
  • 商品コード 9781852333737

Full Description

Learning and Generalization provides a formal mathematical theory addressing intuitive questions of the type:

• How does a machine learn a concept on the basis of examples?

• How can a neural network, after training, correctly predict the outcome of a previously unseen input?

• How much training is required to achieve a given level of accuracy in the prediction?

• How can one identify the dynamical behaviour of a nonlinear control system by observing its input-output behaviour over a finite time?

The second edition covers new areas including:

• support vector machines;

• fat-shattering dimensions and applications to neural network learning;

• learning with dependent samples generated by a beta-mixing process;

• connections between system identification and learning theory;

• probabilistic solution of 'intractable problems' in robust control and matrix theory using randomized algorithms.

It also contains solutions to some of the open problems posed in the first edition, while adding new open problems.

Contents

1. Introduction.- 2. Preliminaries.- 3. Problem Formulations.- 4. Vapnik-Chervonenkis, Pseudo- and Fat-Shattering Dimensions.- 5. Uniform Convergence of Empirical Means.- 6. Learning Under a Fixed Probability Measure.- 7. Distribution-Free Learning.- 8. Learning Under an Intermediate Family of Probabilities.- 9. Alternate Models of Learning.- 10. Applications to Neural Networks..- 11. Applications to Control Systems.- 12. Some Open Problems.