Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
EUR 78,38
Anzahl: Mehr als 20 verfügbar
In den WarenkorbPAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: California Books, Miami, FL, USA
Zustand: New.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: Ria Christie Collections, Uxbridge, Vereinigtes Königreich
EUR 77,36
Anzahl: Mehr als 20 verfügbar
In den WarenkorbZustand: New. In.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: Books Puddle, New York, NY, USA
Zustand: New.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: preigu, Osnabrück, Deutschland
Taschenbuch. Zustand: Neu. Enhancing The Explainability of Neural Network | In the aspects of feature importance, domain rules and algorithmic transparency | Enoch Arulprakash (u. a.) | Taschenbuch | Englisch | 2024 | LAP LAMBERT Academic Publishing | EAN 9786208064341 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.
Taschenbuch. Zustand: Neu. Améliorer l'explicabilité des réseaux neuronaux | En ce qui concerne l'importance des caractéristiques, les règles du domaine et la transparence algorithmique | Enoch Arulprakash (u. a.) | Taschenbuch | Französisch | 2025 | Editions Notre Savoir | EAN 9786202371148 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.
Sprache: Portugiesisch
Verlag: Edi??es Nosso Conhecimento, 2025
ISBN 10: 620237117X ISBN 13: 9786202371179
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
EUR 82,27
Anzahl: Mehr als 20 verfügbar
In den WarenkorbPAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
EUR 82,27
Anzahl: Mehr als 20 verfügbar
In den WarenkorbPAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
EUR 82,27
Anzahl: Mehr als 20 verfügbar
In den WarenkorbPAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
EUR 82,27
Anzahl: Mehr als 20 verfügbar
In den WarenkorbPAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000.
Sprache: Portugiesisch
Verlag: Edições Nosso Conhecimento, 2025
ISBN 10: 620237117X ISBN 13: 9786202371179
Anbieter: California Books, Miami, FL, USA
Zustand: New.
Zustand: New.
Anbieter: California Books, Miami, FL, USA
Zustand: New.
Taschenbuch. Zustand: Neu. Migliorare la spiegabilità delle reti neurali | Per quanto riguarda l'importanza delle caratteristiche, le regole di dominio e la trasparenza algoritmica | Enoch Arulprakash (u. a.) | Taschenbuch | Italienisch | 2025 | Edizioni Sapienza | EAN 9786202371155 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.
Sprache: Portugiesisch
Verlag: Edições Nosso Conhecimento, 2025
ISBN 10: 620237117X ISBN 13: 9786202371179
Anbieter: preigu, Osnabrück, Deutschland
Taschenbuch. Zustand: Neu. Melhorar a explicabilidade da rede neural | Nos aspectos da importância das caraterísticas, das regras do domínio e da transparência algorítmica | Enoch Arulprakash (u. a.) | Taschenbuch | Portugiesisch | 2025 | Edições Nosso Conhecimento | EAN 9786202371179 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.
Anbieter: preigu, Osnabrück, Deutschland
Taschenbuch. Zustand: Neu. Zwi¿kszanie zrozumia¿o¿ci sieci neuronowych | Pod wzgl¿dem wa¿no¿ci funkcji, regu¿ domeny i przejrzysto¿ci algorytmu | Enoch Arulprakash (u. a.) | Taschenbuch | Polnisch | 2025 | Edizioni Sapienza | EAN 9786202371162 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.
Taschenbuch. Zustand: Neu. Verbesserung der Erklärbarkeit von neuronalen Netzen | In Bezug auf die Wichtigkeit der Merkmale, die Regeln des Bereichs und die Transparenz der Algorithmen | Enoch Arulprakash (u. a.) | Taschenbuch | 136 S. | Deutsch | 2025 | Verlag Unser Wissen | EAN 9786202371124 | Verantwortliche Person für die EU: BoD - Books on Demand, In de Tarpen 42, 22848 Norderstedt, info[at]bod[dot]de | Anbieter: preigu.
Zustand: Hervorragend. Zustand: Hervorragend | Produktart: Bücher | Künstliche Intelligenz (KI), die von neuronalen Netzen gesteuert wird, ist für viele Anwendungen wie Empfehlungssysteme, Sprachübersetzung, soziale Medien, Chatbots und Rechtschreibprüfung usw. von entscheidender Bedeutung. Diese Netze werden jedoch häufig als "Blackboxen" kritisiert, was Bedenken hinsichtlich ihrer Erklärbarkeit aufkommen lässt, insbesondere in sensiblen Bereichen wie dem Gesundheitswesen, dem autonomen Fahren usw. Bestehende Methoden zur Verbesserung der Erklärbarkeit, wie z. B. die Bedeutung von Merkmalen, sind oft nicht klar und leicht zu interpretieren. Um dieses Problem zu lösen, wurde das objektorientierte neuronale Netz zur Verbesserung der Erklärbarkeit (OONNIE) entwickelt. OONNIE verwendet objektorientierte Modellierung, um Verlust- und Verbindungsgewicht zur Berechnung der Merkmalsbedeutung zu kombinieren und integriert domänenspezifische Regeln durch die Erweiterbarkeit von OOP. Das Modell betont die algorithmische Transparenz, indem jeder Trainingsschritt detailliert beschrieben wird. Bei der Evaluierung von XOR- und XNOR-Funktionen zeigt OONNIE vielversprechende Ergebnisse bei der Merkmalsbedeutung, eine schnellere Verlustreduzierung und verbesserte Vorhersagen nach der Integration von Domänenregeln. Dies ist ein wichtiger Beitrag zur erklärbaren KI und macht OONNIE zu einem wertvollen Werkzeug für die Entwicklung vertrauenswürdiger KI-Systeme.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing Sep 2024, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 204 pp. Englisch.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: Majestic Books, Hounslow, Vereinigtes Königreich
EUR 112,68
Anzahl: 4 verfügbar
In den WarenkorbZustand: New. Print on Demand.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: Biblios, Frankfurt am main, HESSE, Deutschland
Zustand: New. PRINT ON DEMAND.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing Sep 2024, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: buchversandmimpf2000, Emtmannsberg, BAYE, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Artificial Intelligence (AI) driven by neural networks is crucial in many applications like recommendation systems, language translation, social media, chatbots, and spell-checking etc. However, these networks are often criticized for being 'black boxes,' raising concerns about their explainability, especially in sensitive domains like healthcare, autonomous driving etc. Existing methods to enhance explainability, such as feature importance, often lack clarity and interpretability.To address this, the Object-Oriented Neural Network for Improved Explainability (OONNIE) was developed. OONNIE uses object-oriented modeling to combine loss and connection weight for computing feature importance and integrates domain-specific rules through OOP's extendability. The model emphasizes algorithmic transparency by detailing every training step. Evaluated on XOR and XNOR functions, OONNIE shows promising results in feature importance, faster loss reduction, and improved predictions after integrating domain rules. This marks a significant contribution to explainable AI, making OONNIE a valuable tool for developing trustworthy AI systems.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 204 pp. Englisch.
Sprache: Englisch
Verlag: LAP LAMBERT Academic Publishing, 2024
ISBN 10: 6208064341 ISBN 13: 9786208064341
Anbieter: AHA-BUCH GmbH, Einbeck, Deutschland
Taschenbuch. Zustand: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering.
Sprache: Spanisch
Verlag: Ediciones Nuestro Conocimiento Aug 2025, 2025
ISBN 10: 6202371137 ISBN 13: 9786202371131
Anbieter: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 136 pp. Spanisch.
Sprache: Spanisch
Verlag: Ediciones Nuestro Conocimiento Aug 2025, 2025
ISBN 10: 6202371137 ISBN 13: 9786202371131
Anbieter: buchversandmimpf2000, Emtmannsberg, BAYE, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -La Inteligencia Artificial (IA) impulsada por redes neuronales es crucial en muchas aplicaciones como los sistemas de recomendación, la traducción de idiomas, las redes sociales, los chatbots, la corrección ortográfica, etc. Sin embargo, a menudo se critica a estas redes por ser 'cajas negras', lo que suscita dudas sobre su explicabilidad, especialmente en ámbitos sensibles como la sanidad, la conducción autónoma, etc. Los métodos existentes para mejorar la explicabilidad, como la importancia de las características, suelen carecer de claridad e interpretabilidad. Para solucionar este problema, se ha desarrollado la red neuronal orientada a objetos para mejorar la explicabilidad (OONNIE). OONNIE utiliza el modelado orientado a objetos para combinar la pérdida y el peso de la conexión para calcular la importancia de las características e integra reglas específicas del dominio gracias a la capacidad de ampliación de la programación orientada a objetos. El modelo enfatiza la transparencia algorítmica detallando cada paso del entrenamiento. Evaluado con funciones XOR y XNOR, OONNIE muestra resultados prometedores en la importancia de las características, una reducción más rápida de las pérdidas y una mejora de las predicciones tras integrar reglas de dominio. Esto supone una importante contribución a la IA explicable, lo que convierte a OONNIE en una valiosa herramienta para desarrollar sistemas de IA fiables.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 136 pp. Spanisch.
Sprache: Spanisch
Verlag: Ediciones Nuestro Conocimiento, 2025
ISBN 10: 6202371137 ISBN 13: 9786202371131
Anbieter: AHA-BUCH GmbH, Einbeck, Deutschland
Taschenbuch. Zustand: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering.
Sprache: Französisch
Verlag: Editions Notre Savoir Aug 2025, 2025
ISBN 10: 6202371145 ISBN 13: 9786202371148
Anbieter: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 136 pp. Französisch.
Sprache: Französisch
Verlag: Editions Notre Savoir Aug 2025, 2025
ISBN 10: 6202371145 ISBN 13: 9786202371148
Anbieter: buchversandmimpf2000, Emtmannsberg, BAYE, Deutschland
Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -L'intelligence artificielle (IA) pilotée par des réseaux neuronaux est cruciale dans de nombreuses applications telles que les systèmes de recommandation, la traduction linguistique, les médias sociaux, les chatbots, les correcteurs orthographiques, etc. Cependant, ces réseaux sont souvent critiqués pour être des 'boîtes noires', ce qui soulève des inquiétudes quant à leur explicabilité, en particulier dans des domaines sensibles tels que les soins de santé, la conduite autonome, etc. Les méthodes existantes pour améliorer l'explicabilité, telles que l'importance des caractéristiques, manquent souvent de clarté et d'interprétabilité. Pour remédier à ce problème, le réseau neuronal orienté objet pour une meilleure explicabilité (OONNIE) a été mis au point. OONNIE utilise la modélisation orientée objet pour combiner la perte et le poids de connexion afin de calculer l'importance des caractéristiques et intègre des règles spécifiques au domaine grâce à l'extensibilité de la POO. Le modèle met l'accent sur la transparence algorithmique en détaillant chaque étape de la formation. Évalué sur les fonctions XOR et XNOR, OONNIE montre des résultats prometteurs en termes d'importance des caractéristiques, de réduction plus rapide des pertes et d'amélioration des prédictions après l'intégration des règles du domaine. Il s'agit d'une contribution significative à l'IA explicable, qui fait d'OONNIE un outil précieux pour le développement de systèmes d'IA fiables.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 136 pp. Französisch.