Нейронные сети

Kunihiko Fukushima

md6-nn — Tue, 02 Dec 2008 18:36:10 GMT

Kunihiko Fukushima

Сайт Кунихико Фукушима, изобретателя неокогнитрона
Публикации
Книги
Последние разработки

Kunihiko Fukushima received a B.Eng. in electronics in 1958 and a PhD in electrical engineering in 1966 from Kyoto University, after which he worked as a Senior Research Scientist at the NHK Science and Technical Research Laboratories. He joined Osaka University as a professor in 1989, staying there until 1999 when he moved to the University of Electro-Communications, remaining there until 2001. From 2001 to 2006 he held a professorship at Tokyo University of Technology, and since 2006 he has been a visiting professor at Kansai University.

Dr. Fukushima is one of the pioneers in the field of neural networks and has been modeling neural networks of the brain since 1965. His special interests lie in modeling neural networks of the higher brain functions, in particular networks subserving the visual system. He invented the "Neocognitron" for deformation invariant pattern recognition. Dr. Fukushima is the author of many books on neural networks.

Dr. Fukushima has received numerous awards for his research in neural networks. Most recently he received the Excellent Paper Award in 2006 from the Japanese Neural Network Society (JNNS), and the Neural Networks Pioneer Award from IEEE in 2003. He has received the President Award (2002) and Outstanding Achievement Award (2005) from the Asia-Pacific Neural Network Assembly (APNNA). He was the founding President of JNNS and was a founding member on the Board of Governors of the International Neural Network Society. He is a former President of APNNA. For more information, visit

Yann LeCun

md6-nn — Sat, 22 Nov 2008 20:18:23 GMT

Yann LeCun, Silver Professor of Computer Science

The Courant Institute of Mathematical Sciences
New York University

Сайт Янна ЛеКуна, доктора компьютерных наук Нью-Йоркского университета
Разработки и исследования
Статьи и публикации

Кто не читал - всем советую! Исключительные публикации по нейронным сетям

Learning Algorithms, Generalization, and Regularization
I proposed a "pruning" (weight elimination) methods for neural networks called Optimal Brain Damage that has become quite popular over the years [LeCun, Denker, Solla, 1990].
Harris Drucker and I worked on a regularization method called double backpropagation that improves the smoothness of the functions learned by multilayer neural nets (and therefore their robustness to small distortions of the inputs) [Drucker, LeCun 1992] [Drucker, LeCun 1991a] [Drucker, LeCun 1991b].
Later, Patrice Simard and I (with J. Denker and B. Victorri) found a regularization method called Tangent Prop that can force neural nets to become invariant (or robust) to a set of chosen transformations of the inputs. [Simard, Victorri, LeCun, Denker 1992] [Simard, LeCun, Denker, Victorri 1992]. A recent review paper on Tangent Prop (and Tangent Distance) is available [Simard, LeCun, Denker, Victorri 1998].

Invariant Recognition: Convolutional Neural Networks
Since my PhD, I had been interested in the problem of invariant visual perception, and how learning methods could help solve it. I had been experimenting with simple locally-connected neural net architectures during my PhD, and showed during my PostDoc local connections and shared weights clearly improved the performance of neural nets on simple shape recognition tasks [LeCun, 1989b] [LeCun, 1989a].

Other Classification Algorithms: Tangent Distance, Boosting, SVM,....
Patrice Simard, John Denker and I worked on a method called Tangent Distance for measuring similarities between shapes while being robust to small distortions and displacements of the input pattern. We applied this method to handwriting recognition [Simard, LeCun, Denker 1993] [Simard, LeCun, Denker 1994]. A recent and rather complete paper on Tangent Prop and Tangent Distance is available [Simard, LeCun, Denker, Victorri 1998].

LUSH 1.2.1

md6-nn — Sat, 22 Nov 2008 19:20:18 GMT

LUSH 1.2.1

Lush is an object-oriented programming language designed for researchers, experimenters, and engineers interested in large-scale numerical and graphic applications. Lush is designed to be used in situations where one would want to combine the flexibility of a high-level, weakly-typed interpreted language, with the efficiency of a strongly-typed, natively-compiled language, and with the easy integration of code written in C, C++, or other languages.

Lush is Free Software (under the GPL license) and runs on GNU/Linux, Solaris, Irix, and Windows under Cygwin.

Lush can be used advantageously for projects where one would otherwise use a combination of an interpreted language like Matlab, Python, Perl, S+, or even (gasp!) BASIC, and a compiled language like C. Lush brings the best of both worlds by wrapping three languages into one: (1) a weakly-typed, garbage-collected, dynamically scoped, interpreted language with a simple Lisp-like syntax, (2) a strongly-typed, lexically-scoped compiled language that uses the same Lisp-like syntax, and (3) the C language, which can be freely mixed with Lush code within a single program, even within a single function. It sounds complicated, but it is not. In fact, Lush is designed to be very simple to learn and easy to use.

Lush's main features includes:

* A very clean, simple, and easy to learn Lisp-like syntax.
* A compiler that produces very efficient C code and relies on the C compiler to produce efficient native code (no inefficient bytecode or virtual machine).
* An easy way to interface C functions and libraries, and a powerful dynamic linker/loader for object files or libraries (.o, .a and .so files) written in other compiled languages.
* The ability to freely mix Lisp and C in a single function.
* A powerful set of vector/matrix/tensor operations.
* A huge library of over 10,000 numerical routines, including full interfaces to GSL, LAPACK, and BLAS.
* A library of image and signal processing routines.
* An extensive set of graphic routines, including an object-oriented GUI toolkit, an interface to OpenGL/GLU/GLUT, and the OpenInventor scene rendering engine.
* An interface to the Simple Directmedia Layer (SDL) multimedia library, including a sprite class with pixel-accurate collision detection (perfect for 2D games).
* Sound and video grabbing (using ALSA and Video4Linux).
* Several libraries for machine learning, neural net, statistical estimation, Hidden Markov Models (gblearn2, Torch, HTK, SVM).
* libraries for computer vision (OpenCV, Intel's open source Vision Library), and 3D scene rendering (OpenInventor).
* bindings to the JavaVM API and to the Python C API.
* Lush is Free Software.

Download: http://sourceforge.net/project/showfiles.php?group_id=34223

Коммерческие реализации нейросетей

md6-nn — Sat, 22 Nov 2008 19:07:36 GMT

Коммерческие реализации нейросетей

BaseGroup Labs – профессиональный поставщик программных продуктов и решений в области анализа данных. Мы специализируемся на разработке систем для глубокого анализа данных, охватывающих вопросы сбора, консолидации, очистки данных, построения моделей и визуализации.

BaseGroup Labs создана 22 ноября 1995 года в Рязани и первоначально занималась созданием заказного программного обеспечения. Начиная с 1999 года, компания сконцентрировала все свои ресурсы на разработке программных систем, предназначенных для анализа данных. Было выполнено множество проектов в этой области с российскими и зарубежными компаниями, пока со временем все эти разработки не трансформировались в аналитическую платформу Deductor.

Платформа Deductor включает в себя богатый набор аналитических технологий и рассчитана на использование широким кругом пользователей. Она обладает прекрасными соотношениями цена/возможности и цена/качество.

Существует 3 варианта поставки Deductor: Academic, Professional и Enterprise.

* Deductor Enterprise. Корпоративная версия, включающая механизмы для пакетной обработки больших объемов данных и другие инструменты, необходимые для применения платформы в корпоративной среде.
* Deductor Professional. Профессиональная версия, ориентированная на использование в рамках рабочих групп. Поддерживает обмен данными со множеством источников и приемников информации, а также имеет возможность пакетной обработки сценариев.
* Deductor Academic. Бесплатная образовательная версия системы для использования в учебных целях. Она включает в себя приложение Studio и многомерное хранилище данных Warehouse. Вы можете скачать образовательную версию Deductor бесплатно с сервера или приобрести ее на CD по цене носителя. Консультации, поддержка и обновления для пользователей Academic версии не предусмотрены.

Наша компания занимается научными исследованиями и разработкой программного обеспечения в области интеллектуального анализа данных, а также образовательной и консалтинговой деятельностью в этой сфере.

С момента основания компании в 1992 году нами накоплен огромный опыт решения таких задач, как прогнозирование в бизнесе и финансах (прогнозирование продаж, загрузки линий связи и др.), задач оптимизации, классификации, а также многих других задач анализа данных.

Компания принимала участие в разработке ключевых компонентов большинства программных продуктов американской компании Ward Systems Group, Inc. и является ее официальным представителем на территории СНГ и стран Балтии.

NeuroShell 2 - это универсальный пакет, предназначенный для нейросетевого анализа данных. С его помощью можно решать широкий спектр задач, начиная с широко распространенных задач, таких как прогнозирование курсов акций (облигаций, фьючерсов, валют , цен на нефть и т.д. ), и заканчивая менее распространенными задачами, такими как, например, обратные задачи в геофизике и другие сложные задачи.

NeuroShell 2 включает в себя:

1. Систему для начинающего
2. Систему для профессионала
3. Средства автономного использования

Сайты и ресурсы по нейросетям

md6-nn — Sat, 22 Nov 2008 18:28:23 GMT

Ресурсы по нейросетям (продолжение темы)

...Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже "простые" нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике...

...В наши дни возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Рассмотрим подробнее структуру искусственных нейронных сетей (НС) и их применение в конкретных задачах...

1. Нейрокомпьютерная техника: теория и практика. Ф. Уоссермен.
2. Нейроинформатика. А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев
3. Нейрокомьютеры и их применение (Теория нейронных сетей. Кн. 1.) Александр Иванович Галушкин recommended!
4. Нейрокомпьютинг и его применения в экономике и бизнесе. А.А. Ежов., С.А. Шумский.
5. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Вороновский Г.К. Махотило К.В. Петрашев С.Н. Сергеев С.А.
6. Нечеткая логика и искусственные нейронные сети. В.В. Круглов, М.И. Дли, Р.Ю. Голунов
7. Нейронные сети: основные модели - Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры И. Заенцев
8. Конспект лекций по курсу "основы проектирования систем искусственного интеллекта", 1997-1998. Сотник С. Л.
9. Демон Дарвина. Идея оптимальности и естественный отбор А.Н. Горбань, Р.Г. Хлебопрос
10. Нейрокомпьютер. Проект стандарта Е.М.Миркес
11. Визуализация многомерных данных А.Ю.Зиновьев
12. Логика распознавания А.Д. Закревский
13. Нейронные сети в MS Excel Методические указания к практическим занятиям и лабораторным работам В.Х. Федотов
14. Основы вейвлет анализа сигналов. Учебное пособие Л.В.Новиков
15. Введение в теорию базисов всплесков А.П. Петухов
16. Основные операции нечеткой логики и их обобщения И.З. Батыршин

Введение в теорию нейронных сетей

md6-nn — Thu, 13 Nov 2008 21:36:34 GMT

Введение в теорию нейронных сетей

(с) http://www.orc.ru/~stasson/neurox.html

Краткий обзор материалов

В последние годы интерес к искусственным нейронным сетям необычайно высок. В Internet можно найти достаточно много сведений о них. Это и различные FAQ (часто задаваемые вопросы) из конференций, и анонсы книг, и статьи. В качестве типичного примера можно привести вопросник по нейронным сетям, оригинал которого находится по адресу ftp://ftp.sas.com/pub/neural/FAQ.html.

Однако, несмотря на кажущееся обилие информации, существует один значительный аспект, который обычно случайно или преднамеренно остается за рамками публикуемых материалов. Речь идет о Know-How программной реализации нейронных сетей.

Материалы PC Noon, разумеется, вряд ли смогут заполнить эту брешь, тем более что они не претендуют на звание классического научного труда или исчерпывающей монографии.

Часть представленных здесь статей (а именно - четыре первых) была подготовлена для публикации в журнале "Монитор", который, как известно, прекратил свое существование в 1995 году из-за финансовых трудностей. Когда это произошло, две статьи уже были сданы в редакцию, но так и не вышли в свет. Статьи данного цикла рассматривают основы теории искусственных нейронных сетей и их моделирование на C++. Все программы реализованы в виде иерархии классов и тестировались под DOS с использованием Borland C 3.1. Однако библиотеки классов можно использовать и в среде Windows. Так, на основе ранних версий представленных классов была создана программа моделирования нейронных сетей для Windows 3.x - Synax (альфа-версия).

Вторая часть материалов - две статьи по теории и практике быстрых нейронных сетей с ядерной организацией и Active-X элемент для моделирования нейронных сетей - была любезно предоставлена для PC Noon Александром Дороговым. С ним можно связаться по адресу dorv@lens.spb.ru.

Кроме того, здесь приведены ссылки на ресурсы по НС (в основном, русскоязычные), связанные с технологией программной реализации сетей, и непосредственно ПО.

Статьи

Все статьи оформлены в виде документов MS Word 6.0 и сжаты архиватором ZIP. Листинги (во 2, 3 и 4 статьях) приведены в приложениях в конце каждой статьи.
Нейронные сети: основные положения
В статье рассмотрены основы теории нейронных сетей, позволяющие в дальнейшем обратиться к конкретным структурам, алгоритмам и идеологии практического применения сетей в компьютерных приложениях.
Нейронные сети: алгоритм обратного распространения
В статье рассмотрен алгоритм обучения нейронной сети с помощью процедуры обратного распространения, описана библиотека классов для С++.
Нейронные сети: обучение без учителя
В статье рассмотрены алгоритмы обучения искусственных нейронных сетей без учителя. Особое внимание уделено самонастраивающимся по алгоритму Кохонена сетям. Приведена библиотека классов на C++ и тестовый пример.
Нейронные сети Хопфилда и Хэмминга
В статье рассмотрены алгоритмы обучения нейронной сети по алгоритама Хопфилда и Хэмминга. Приведена библиотека классов, реализующих сеть Хэмминга.
Структурные модели и топологическое проектирование быстрых нейронных сетей
В статье А.Дорогова рассматриваются структурные и топологические модели многослойных быстрых нейронных сетей (БНС). Особое внимание уделено математическому аппарату отображений числовых множеств и теории линейных представлений. Предложен алгоритм проектирования топологий БНС.
Neuro Office - инструментарий разработчика интеллектуальных приложений
В данной статье А.Дорогова дано краткое описание пакета Neuro Office, позволяющего проектировать программы на базе нейронных сетей.

Программное обеспечение

ПО и набор ActiveX-элементов для построения быстрых нейронных сетей с ядерной организацией
Программный пакет Neuro Office ориентирован на проектирование нейронных сетей с ядерной организацией и включает в себя средства генерации, моделирования и обучения нейронных сетей. Разработка фирмы Альфа-Систем, Санкт-Петербург, dorv@lens.spb.ru. В пакет также входят следующие ActiveX: нейронная сеть, электронная таблица (для подготовки данных) и прогресс-индиктор (для визуального отображения процесса функционирования сети). ActiveX-элемент нейронная сеть может использоваться в большинстве современных программ, поддерживающих технологии COM - начиная от Microsoft Office и заканчивая серьезными средствами для разработки ПО (Visual C++, Delphi, C++ Builder, Visual Basic).
Для загрузки доступны следующие дистрибутивы:

* Пакет NeuroOffice (1.3M) русскоязычная версия
* Пакет NeuroOffice (1.3M) англоязычная версия
* Пакет NeuroService теперь входит в состав NeuroOffice!
* Примеры использования нейронных сетей, внедренных в документы MS Excel (212K)
* Файлы с примерами сетевых структур (8K)

Нейросимулятор NeuroPro 0.25
Свободно распространяемый неросимулятор, разработанный Виктором Царегородцевым (tsar@cc.krascience.rssi.ru), Институт вычислительного моделирования СО РАН. Краткое описание пакета можно прочитать здесь. В дистрибутив входит файл в формате MS Word 6.0, в котором излагаются основы теории НС с учетом специфики подхода NeuroPro.
Для загрузки доступны следующие дистрибутивы NeuroPro 0.25, русская версия (2.2M):

* Сайт alife-soft.narod.ru
* Сайт www.neuropower.de

Нейросимулятор NeuroInterator
Демо-версия. Разработка Игоря Винокурова (кафедра "Компьютерные системы и сети" Калужского филиала Московского Государственного Технического Университета им. Н.Э.Баумана), stoik@kaluga.ru.

* NeuroIterator, русская версия (477K)

Основное назначение программы - исследование нейронных сетей, однако, она может найти свое применение и в качестве нейросетевого классификатора или нейросетевой системы прогнозирования. Обзор возможностей программы дан в кратком описании, которое входит в дистрибутив, а также доступно для загрузки в виде отдельного файла в формате RTF в архиве ZIP (9K).

ПО для анализа данных, использующее нейросетевой подход
Несколько демонстрационных версий широко известных программ анализа данных на сайте RBC, в том числе:

* Neuro Builder
* NeuroShell
* NeuroWindows

Википедия о нейронных сетях

md6-nn — Thu, 13 Nov 2008 20:44:54 GMT

Википедия о нейронных сетях

Категория: Нейросети

Искусственная нейронная сеть

Иску́сcтвенные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был перцептрон. Впоследствии эти модели стали использовать в практических целях, как правило в задачах прогнозирования. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы (software) для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов...

Перцептрон

Перцептро́н (неверно: персептрон[1], англ. perсeptron от лат. perсeptio — восприятие) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и реализованная в виде электронной машины «Марк-1»[2] в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи...

Многослойный перцептрон

Многослойный перцептрон — перцептрон с более чем одним обучаемыми слоями (как правило два или три, для применения большего числа на данный момент нет обоснования, теряется скорость без приобретения качества). Необходимость в большом количестве обучаемых слоев отпадает, так как теоретически единственного скрытого слоя достаточно, чтобы перекодировать входное представление таким образом, чтобы получить линейную карту для выходного представления. Но есть предположение, что используя большее число слоев можно уменьшить число элементов в них, т.е. суммарное число элементов в слоях будет меньше, чем если использовать один скрытый слой. На данный момент известен только один метод обучения многослойных перцептронов — это метод обратного распространения ошибки...

(с) ru.wikipedia.org

Ресурсы по нейросетям

md6-nn — Thu, 13 Nov 2008 18:34:45 GMT

Ресурсы по нейросетям

Иллюстрированный самоучитель по экспертным системам (?)
Содержание. Введение - Что такое экспертная система? - Обзор исследований в области искусственного интеллекта - Представление знаний - Символические вычисления - Системы, основанные на знаниях - Ассоциативные сети и системы фреймов - Объектно-ориентированное программирование - Логическое программирование - Представление неопределенности знаний и данных - Приобретение знаний - Эвристическая классификация (I) - Эвристическая классификация (II) - Иерархическое построение и проверка гипотез - Решение проблем конструирования (I) - Решение проблем конструирования (II) - Средства формирования пояснений - Инструментальные средства разработки экспертных систем - Системы с доской объявлений - Система отслеживания истинности предположений - Формирование знаний на основе машинного обучения - Сети доверия - Рассуждения, основанные на прецедентах - Гибридные системы - Заключение - ПРИЛОЖЕНИЕ. Программирование на языке CLIPS – Литература.

Интеллектуальные информационные системы (Луценко Е. В.)
Учебное пособие состоит из трех частей: курса лекций; практикума и программы самостоятельной работы студентов. Курс лекций включает 16 лекций, сгруппированных в 4 раздела: введение в интеллектуальные информационные системы; теоретические основы и эксплуатация универсальной когнитивной аналитической системы "Эйдос"; принципы построения интеллектуальных информационных систем; применение и перспективы систем искусственного интеллекта. Практикум базируется на универсальной когнитивной аналитической системе "Эйдос", разработанной автором пособия, и включает 10 лабораторных работ. Программа самостоятельной работы студентов по дисциплине включает теоретические вопросы и практические задания, выносящиеся на экзамен по дисциплине и государственный экзамен, а также список основной и дополнительной литературы, включая Internet-сайты по проблематике искусственного интеллекта. Для студентов очной и заочной форм обучения, аспирантов, преподавателей и научных работников, интересующихся проблематикой систем искусственного интеллекта.

Искусственный интеллект. Книга 3. Программные и аппаратные средства (Захаров В. Н. , Хорошевский В. Ф.)
Приводится классификация программных средств для интеллектуальных систем. Описываются конкретные языки представления знаний и манипулирования ими, базовые языки, используемые в интеллектуальных системах, системы поддержки разработки интеллектуальных систем, ЭВМ с высоким уровнем интерпретации языков, спецпроцессоры баз данных, знаний и логического вывода для ЭВМ пятого и последующих поколений. Для специалистов в области управления, информационных систем и вычислительной техники, использующих методы искусственного интеллекта.

Возможности вычислительных машин и человеческий разум. От суждений к вычислениям (Вейзенбаум Джозеф)
Содержание. Предисловие автора - Введение - Глава 1. Об орудиях труда - Глава 2. Откуда возникает мощь вычислительной машины - Глава 3. Как работают вычислительные машины - Глава 4. Наука и одержимый программист - Глава 5. Теории и модели - Глава 6. Машинные модели в психологии - Глава 7. Вычислительная машина и естественный язык - Глава 8. Искусственный интеллект Глава 9. Непостижимые программы - Глава 10. Против экспансионизма инструментального мышления - Примечания.

Интеллектуальные сети (Гольдштейн Б. С.)
Книга посвящена одной из самых интересных телекоммуникационных концепций - интеллектуальным сетям связи. Именно эта концепция оказалась сегодня на острие революционных изменений технологий и услуг связи. Для инженеров и научных работников, занятых исследованием, разработкой и эксплуатацией телекоммуникационных систем. Книга будет полезна студентам и аспирантам соответствующих специальностей. Еще одна задача книги - помочь руководителям операторских компаний выбрать стратегически верные решения при введении новых телекоммуникационных услуг.

Теория статистических решений и психофизика (Леонов Ю. П.)
В монографии используется теория статистических решений для обоснования основных понятий современной психофизики, таких, как порог, пространство ощущений, шкалирование и др. Эта теория используется также для теоретического обоснования законов пространственной и временной суммации и закона Вебера. Монография содержит ряд новых результатов, относящихся к теории порога, анализу собственных шумов нейронной системы и таблицы для их оценки важны для практической обработки экспериментальных данных.

Новый ум короля (Пенроуз Роджер)
Монография известного физика и математика Роджера Пенроуза посвящена изучению проблемы искусственного интеллекта на основе всестороннего анализа достижений современных наук. Возможно ли моделирование разума? Чтобы найти ответ на этот вопрос, Пенроуз обсуждает широчайший круг явлений: алгоритмизацию математического мышления, машины Тьюринга, теорию сложности, теорему Геделя, телепортацию материи, парадоксы квантовой физики, энтропию, рождение Вселенной, черные дыры, строение мозга и многое другое.

Neural Networks (Randolph W. Parks )
"Если вы хотите "левел ап" по математике и в частности если вы хотите уметь рвать нервы с той же легкостью, что и заходить в интернет, nehudlit.ru настоятельно рекомендует вам эту книгу."

Нечетная логика и искусственные нейронные сети (Круглов В. В. и др.)
В книге рассмотрены теоретические аспекты составляющих нейронных сетей, именно, аппарат нечетной логики, основы теории искусcтвенных нейронных сетей и собственно гибридных сетей применительно к задачам управления и принятия решений в условиях неопределенности. Особое внимание уделено программной реализации моделей указанных подходов инструментальными средствами математической системы MATLAB 5.2/5.3

Литература по нейросетям

md6-nn — Thu, 13 Nov 2008 06:34:30 GMT

Литература по нейросетям

* Круглов Владимир Васильевич, Борисов Вадим Владимирович Искусственные нейронные сети. Теория и практика.
* В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин Нейросетевые системы управления.
* Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика
* Саймон Хайкин Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation.
* Роберт Каллан Основные концепции нейронных сетей = The Essence of Neural Networks First Edition.
* Л.Н. Ясницкий Введение в искусственный интеллект.
* Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.
* Миркес Е. М., Нейрокомпьютер. Проект стандарта.

AForge.NET 1.7.0 Release

md6-nn — Wed, 12 Nov 2008 21:59:35 GMT

AForge.NET 1.7.0 Release

AForge.NET is a C# framework designed for developers and researchers in the fields of Computer Vision and Artificial Intelligence - image processing, neural networks, genetic algorithms, machine learning, etc.

At this point the framework is comprised of 5 main and some additional libraries:

* AForge.Imaging – a library for image processing routines and filers;
* AForge.Neuro – neural networks computation library;
* AForge.Genetic – evolution programming library;
* AForge.Vision – computer vision library;
* AForge.Machine Learning – machine learning library.

The work on the framework's improvement is in constants progress, what means that new feature and namespaces are coming constantly. To get knowledge about its progress you may track source repository's log or visit project discussion group to get the latest information about it.

The framework is provided with not only different libraries and their sources, but with many sample applications, which demonstrate the use of this framework, and with documentation help files, which are provided in HTML Help format.

In the case you found an issue in any component of the framework or you would like to request for a new feature, you may feel free to submit the issue/request on the “Issues” page.

In case you are interested in the project and would like to learn about it more or in case you would like to contribute it, you are more than welcome to participate in the project’s discussion group.

http://aforge.googlecode.com/files/AForge-1.7.0.exe