Andere Kunden interessierten sich auch für
![Verlängerung der Lebensdauer von Netzwerken durch biologisch inspirierte Crow-Search-Optimierung]( "Verlängerung der Lebensdauer von Netzwerken durch biologisch inspirierte Crow-Search-Optimierung")
Verlängerung der Lebensdauer von Netzwerken durch biologisch inspirierte Crow-Search-Optimierung43,90 €![Die Post-Quanten-Kryptographie. Ein Überblick]( "Die Post-Quanten-Kryptographie. Ein Überblick")
Die Post-Quanten-Kryptographie. Ein Überblick17,95 €![Die Entstehung von Darknets und der Zugang zu den anonymen Netzwerken]( "Die Entstehung von Darknets und der Zugang zu den anonymen Netzwerken")
Die Entstehung von Darknets und der Zugang zu den anonymen Netzwerken17,95 €![XGBoost. The Extreme Gradient Boosting for Mining Applications]( "XGBoost. The Extreme Gradient Boosting for Mining Applications")
XGBoost. The Extreme Gradient Boosting for Mining Applications27,95 €![Gruppenkommunikation in mobilen Ad-hoc-Netzwerken]( "Gruppenkommunikation in mobilen Ad-hoc-Netzwerken")
Gruppenkommunikation in mobilen Ad-hoc-Netzwerken17,95 €![Netzwerken mit XING und LinkedIn für Dummies]( "Netzwerken mit XING und LinkedIn für Dummies")
Netzwerken mit XING und LinkedIn für Dummies17,00 €![Netzwerken mit Xing und LinkedIn für Dummies]( "Netzwerken mit Xing und LinkedIn für Dummies")
Netzwerken mit Xing und LinkedIn für Dummies15,00 €
Bachelorarbeit aus dem Jahr 2024 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,3, Hochschule für Technik Stuttgart (Fakultät Vermessung, Informatik und Mathematik), Sprache: Deutsch, Abstract: Die vorliegende Bachelorarbeit untersucht die Leistungsfähigkeit der "Stochastic Gradient Line Bayesian Optimization" (SGLBO) aus der Publikation von Tamiya und Yamasaki (2022), im Kontext der Parameteroptimierung für "Quantum Neural Networks" (QNN) und vergleicht diese mit der "Adaptive Moment Estimation" (Adam). Die Ergebnisse zeigen, dass beide Algorithmen in der Lage sind, QNNs zu trainieren. Dabei zeigt Adam vor allem Stärken in der rauschfreien Optimierung, während SGLBO signifikant bessere Ergebnisse in verrauschten Umgebungen erzielt. Damit konnten die Ergebnisse aus der Publikation von Tamiya und Yamasaki (2022) reproduziert werden.