dc.contributor.author | Ковенко, В. А. | uk |
dc.contributor.author | Богач, І. В. | uk |
dc.contributor.author | Bogach, I. V. | en |
dc.contributor.author | Kovenko, V. A. | en |
dc.date.accessioned | 2019-12-05T10:48:05Z | |
dc.date.available | 2019-12-05T10:48:05Z | |
dc.date.issued | 2019 | |
dc.identifier.citation | Kovenko V. A. Neural Networks and spheres of their usage [Electronic resource] / V. A. Kovenko, I. V. Bogach // Матеріали XLVIII науково-технічної конференції підрозділів ВНТУ, Вінниця, 13-15 березня 2019 р. – Електрон. текст. дані. – 2019. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2019/paper/view/6978. | uk |
dc.identifier.uri | http://ir.lib.vntu.edu.ua//handle/123456789/27247 | |
dc.description.abstract | The basics of working with Neural Networks are exposed in this article, the model of the network called “perceptron”, made by Frank Rosenblatt is mainly emphasized. In addition, the main programming languages, that provide the opportunity to fulfil Neural Networks by making software related to it are highlighted. | en |
dc.description.abstract | В статті розглянуті основи роботи з нейронними мережами, особливу увагу приділено моделі мережі під назвою “перцептрон”, запровадженої Френком Розенблаттом. До того ж було розкрито тему найпоширеніших мов програмування, що дозволяють втілити нейронні мережі у життя, шляхом створення програмного забезпечення, пов’язаного з ними. | uk |
dc.language.iso | en_US | en_US |
dc.publisher | ВНТУ | uk |
dc.relation.ispartof | Матеріали XLVIII науково-технічної конференції підрозділів ВНТУ, Вінниця, 13-15 березня 2019 р. | uk |
dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2019/paper/view/6978 | |
dc.subject | Нейронні мережі | uk |
dc.subject | НН (скорочено від Нейронні Мережі) | uk |
dc.subject | машинне навчання | uk |
dc.subject | поріг | uk |
dc.subject | зміщення | uk |
dc.subject | синапси | uk |
dc.subject | архитектура прямого зв’язку | uk |
dc.subject | точність | uk |
dc.subject | перцептрон | uk |
dc.subject | пороговий нейрон | uk |
dc.subject | прихований шар | uk |
dc.subject | шар входу | uk |
dc.subject | шар виходу | uk |
dc.subject | оптимізатори | uk |
dc.subject | Neural networks | en |
dc.subject | NN (stands for Neural Networks) | en |
dc.subject | machine learning | en |
dc.subject | ML | en |
dc.subject | threshold | en |
dc.subject | bias | en |
dc.subject | synapses | en |
dc.subject | feedforwardarchitecture | en |
dc.subject | accuracy | en |
dc.subject | perceptron | en |
dc.subject | binary threshold neuron | en |
dc.subject | hidden layer | en |
dc.subject | input layer | en |
dc.subject | output layer | en |
dc.subject | optimizers | en |
dc.title | Neural Networks and spheres of their usage | en |
dc.type | Thesis | |
dc.relation.references | A short online-book about basic concepts of NN. [Electronic resource]. - Mode of access: URL:
http://neuralnetworksanddeeplearning.com/index.html. | en |
dc.relation.references | Fitting NN in R example. [Electronic resource]. - Mode of access: URL: https://datascienceplus.com/fitting-neural-networkin-r/. | en |
dc.relation.references | Fitting NN in Python example. [Electronic resource]. - Mode of access: URL: https://towardsdatascience.com/how-to-builda-neural-network-with-keras-e8faa33d0ae4. | en |
dc.relation.references | Fitting NN in Java example. [Electronic resource]. - Mode of access: URL: https://dzone.com/articles/designing-a-neuralnetwork-in-java. | en |