Einführung --; 1 Das biologische Paradigma --; I: Vorwärtsgerichtete Netze --; 2 Das Modell von McCulloch und Pitts --; 3 Gewichtete Netze --; Das Perzeptron --; 4 Der Perzeptron-Lernalgorithmus --; 5 Unüberwachtes Lernen --; 6 Netze mit mehreren Schichten --; 7 Der Backpropagation-Algorithmus --; II: Theoretische Analyse --; 8 Backpropagation und statistische Regression --; 9 Die Komplexität des Lernens --; 10 Fuzzy-Logik und neuronale Netze --; III: Rekursive Netze --; 11 Assoziativspeicher --; 12 Das Hopfield-Modell --; 13 Kombinatorische Optimierung und Parallelität --; 14 Stochastische Netze --; IV: Selbstorganisation und Neurohardware --; 15 Kohonens topologieerhaltende Abbildungen --; 16 Hybride Modelle --; 17 Genetische Algorithmen --; 18 Hardware für neuronale Netze.
SUMMARY OR ABSTRACT
Text of Note
Neuronale Netze sind ein Berechenbarkeitsparadigma, das in der Informatik zunehmende Beachtung findet. In diesem Buch werden theoretische Ansätze und Modelle, die in der Literatur verstreut sind, zu einer modellübergreifenden Theorie der künstlichen neuronalen Netze zusammengefügt. Mit ständigem Blick auf die Biologie wird - ausgehend von einfachsten Netzen - gezeigt, wie sich die Eigenschaften der Modelle verändern, wenn allgemeinere Berechnungselemente und Netztopologien eingeführt werden. Jedes Kapitel enthält Beispiele und ist ausführlich illustriert und durch bibliographische Anmerkungen abgerundet. Das Buch richtet sich an Leser, die sich einen Überblick verschaffen oder vorhandene Kenntnisse vertiefen wollen. Es ist als Grundlage für Neuroinformatikvorlesungen an deutschsprachigen Universitäten geeignet.