Información de la indexación
006 Ciencia de los computadores (Métodos especiales de computador)Documentos en la biblioteca con la clasificación 006.31 (57)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : 3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods Tipo de documento: documento electrónico Autores: Liu, Shan, ; Zhang, Min, ; Kadam, Pranav, ; Kuo, C.-C. Jay, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-89180-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos Clasificación: 006.31 Resumen: Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artÃculos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden especÃfico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavÃa se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodologÃa), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difÃciles de visión por computadora. Nota de contenido: I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. Tipo de medio : Computadora Summary : This book introduces the point cloud; its applications in industry, and the most frequently used datasets. It mainly focuses on three computer vision tasks -- point cloud classification, segmentation, and registration -- which are fundamental to any point cloud-based system. An overview of traditional point cloud processing methods helps readers build background knowledge quickly, while the deep learning on point clouds methods include comprehensive analysis of the breakthroughs from the past few years. Brand-new explainable machine learning methods for point cloud learning, which are lightweight and easy to train, are then thoroughly introduced. Quantitative and qualitative performance evaluations are provided. The comparison and analysis between the three types of methods are given to help readers have a deeper understanding. With the rich deep learning literature in 2D vision, a natural inclination for 3D vision researchers is to develop deep learning methods for point cloudprocessing. Deep learning on point clouds has gained popularity since 2017, and the number of conference papers in this area continue to increase. Unlike 2D images, point clouds do not have a specific order, which makes point cloud processing by deep learning quite challenging. In addition, due to the geometric nature of point clouds, traditional methods are still widely used in industry. Therefore, this book aims to make readers familiar with this area by providing comprehensive overview of the traditional methods and the state-of-the-art deep learning methods. A major portion of this book focuses on explainable machine learning as a different approach to deep learning. The explainable machine learning methods offer a series of advantages over traditional methods and deep learning methods. This is a main highlight and novelty of the book. By tackling three research tasks -- 3D object recognition, segmentation, and registration using our methodology -- readers will have a sense of how to solve problems in a different way and can apply the frameworks to other 3D computer vision tasks, thus give them inspiration for their own future research. Numerous experiments, analysis and comparisons on three 3D computer vision tasks (object recognition, segmentation, detection and registration) are provided so that readers can learn how to solve difficult Computer Vision problems. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods [documento electrónico] / Liu, Shan, ; Zhang, Min, ; Kadam, Pranav, ; Kuo, C.-C. Jay, . - 1 ed. . - [s.l.] : Springer, 2021 . - XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color.
ISBN : 978-3-030-89180-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos Clasificación: 006.31 Resumen: Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artÃculos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden especÃfico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavÃa se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodologÃa), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difÃciles de visión por computadora. Nota de contenido: I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. Tipo de medio : Computadora Summary : This book introduces the point cloud; its applications in industry, and the most frequently used datasets. It mainly focuses on three computer vision tasks -- point cloud classification, segmentation, and registration -- which are fundamental to any point cloud-based system. An overview of traditional point cloud processing methods helps readers build background knowledge quickly, while the deep learning on point clouds methods include comprehensive analysis of the breakthroughs from the past few years. Brand-new explainable machine learning methods for point cloud learning, which are lightweight and easy to train, are then thoroughly introduced. Quantitative and qualitative performance evaluations are provided. The comparison and analysis between the three types of methods are given to help readers have a deeper understanding. With the rich deep learning literature in 2D vision, a natural inclination for 3D vision researchers is to develop deep learning methods for point cloudprocessing. Deep learning on point clouds has gained popularity since 2017, and the number of conference papers in this area continue to increase. Unlike 2D images, point clouds do not have a specific order, which makes point cloud processing by deep learning quite challenging. In addition, due to the geometric nature of point clouds, traditional methods are still widely used in industry. Therefore, this book aims to make readers familiar with this area by providing comprehensive overview of the traditional methods and the state-of-the-art deep learning methods. A major portion of this book focuses on explainable machine learning as a different approach to deep learning. The explainable machine learning methods offer a series of advantages over traditional methods and deep learning methods. This is a main highlight and novelty of the book. By tackling three research tasks -- 3D object recognition, segmentation, and registration using our methodology -- readers will have a sense of how to solve problems in a different way and can apply the frameworks to other 3D computer vision tasks, thus give them inspiration for their own future research. Numerous experiments, analysis and comparisons on three 3D computer vision tasks (object recognition, segmentation, detection and registration) are provided so that readers can learn how to solve difficult Computer Vision problems. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : A Machine Learning Based Model of Boko Haram Tipo de documento: documento electrónico Autores: Subrahmanian, V. S., ; Pulice, Chiara, ; Brown, James F., ; Bonen-Clark, Jacob, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XII, 135 p. 38 ilustraciones, 29 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-60614-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Procesamiento de datos Terrorismo La violencia polÃtica MinerÃa de datos y descubrimiento de conocimientos Terrorismo y violencia polÃtica Clasificación: 006.31 Resumen: Este es el primer estudio de Boko Haram que ofrece modelos avanzados de aprendizaje automático basados ​​en datos para aprender modelos capaces de predecir una amplia gama de ataques llevados a cabo por Boko Haram, asà como desarrollar polÃticas basadas en datos para moldear el comportamiento de Boko Haram y reducir los ataques de ellos. Este libro también identifica condiciones que predicen violencia sexual, atentados suicidas e intentos de atentado, secuestros, incendios provocados, saqueos y ataques contra funcionarios gubernamentales e instalaciones de seguridad. Después de reducir la historia de Boko Haram a una hoja de cálculo que contiene información mensual sobre diferentes tipos de ataques y diferentes circunstancias que prevalecieron durante un perÃodo de 9 años, este libro presenta reglas de probabilidad temporal (TP) que se pueden aprender automáticamente a partir de datos y son fáciles de explicar a los responsables polÃticos. y expertos en seguridad. Este libro también informa sobre más de 1 año de pronósticos realizados utilizando el modelo para validar la precisión predictiva. También introduce un método de cálculo de polÃticas para frenar los ataques de Boko Haram. Los investigadores de aprendizaje automático aplicado, los expertos en aprendizaje automático y los expertos en modelos predictivos coinciden en que este libro es un valioso recurso de aprendizaje. Los expertos en lucha contra el terrorismo, los expertos en seguridad nacional e internacional, los expertos en polÃticas públicas y los expertos en Ãfrica también estarán de acuerdo en que este libro es una valiosa herramienta de aprendizaje. Nota de contenido: Chapter 1: Introduction -- Chapter 2: History of Boko Haram -- Chapter 3: Temporal Probabilistic Rules and Policy Computation Algorithms -- Chapter 4: Sexual Violence -- Chapter 5: Suicide Bombings -- Chapter 6: Abductions -- Chapter 7: Arson -- Chapter 8: Other Types of Attacks -- Appendix A: All TP-Rules -- Appendix B: Data Collection -- Appendix C: Most Used Variables -- Appendix D: Sample Boko Haram Report. Tipo de medio : Computadora Summary : This is the first study of Boko Haram that brings advanced data-driven, machine learning models to both learn models capable of predicting a wide range of attacks carried out by Boko Haram, as well as develop data-driven policies to shape Boko Haram's behavior and reduce attacks by them. This book also identifies conditions that predict sexual violence, suicide bombings and attempted bombings, abduction, arson, looting, and targeting of government officials and security installations. After reducing Boko Haram's history to a spreadsheet containing monthly information about different types of attacks and different circumstances prevailing over a 9 year period, this book introduces Temporal Probabilistic (TP) rules that can be automatically learned from data and are easy to explain to policy makers and security experts. This book additionally reports on over 1 year of forecasts made using the model in order to validate predictive accuracy. It also introduces a policy computation method to rein in Boko Haram's attacks. Applied machine learning researchers, machine learning experts and predictive modeling experts agree that this book is a valuable learning asset. Counter-terrorism experts, national and international security experts, public policy experts and Africa experts will also agree this book is a valuable learning tool. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] A Machine Learning Based Model of Boko Haram [documento electrónico] / Subrahmanian, V. S., ; Pulice, Chiara, ; Brown, James F., ; Bonen-Clark, Jacob, . - 1 ed. . - [s.l.] : Springer, 2021 . - XII, 135 p. 38 ilustraciones, 29 ilustraciones en color.
ISBN : 978-3-030-60614-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Aprendizaje automático Procesamiento de datos Terrorismo La violencia polÃtica MinerÃa de datos y descubrimiento de conocimientos Terrorismo y violencia polÃtica Clasificación: 006.31 Resumen: Este es el primer estudio de Boko Haram que ofrece modelos avanzados de aprendizaje automático basados ​​en datos para aprender modelos capaces de predecir una amplia gama de ataques llevados a cabo por Boko Haram, asà como desarrollar polÃticas basadas en datos para moldear el comportamiento de Boko Haram y reducir los ataques de ellos. Este libro también identifica condiciones que predicen violencia sexual, atentados suicidas e intentos de atentado, secuestros, incendios provocados, saqueos y ataques contra funcionarios gubernamentales e instalaciones de seguridad. Después de reducir la historia de Boko Haram a una hoja de cálculo que contiene información mensual sobre diferentes tipos de ataques y diferentes circunstancias que prevalecieron durante un perÃodo de 9 años, este libro presenta reglas de probabilidad temporal (TP) que se pueden aprender automáticamente a partir de datos y son fáciles de explicar a los responsables polÃticos. y expertos en seguridad. Este libro también informa sobre más de 1 año de pronósticos realizados utilizando el modelo para validar la precisión predictiva. También introduce un método de cálculo de polÃticas para frenar los ataques de Boko Haram. Los investigadores de aprendizaje automático aplicado, los expertos en aprendizaje automático y los expertos en modelos predictivos coinciden en que este libro es un valioso recurso de aprendizaje. Los expertos en lucha contra el terrorismo, los expertos en seguridad nacional e internacional, los expertos en polÃticas públicas y los expertos en Ãfrica también estarán de acuerdo en que este libro es una valiosa herramienta de aprendizaje. Nota de contenido: Chapter 1: Introduction -- Chapter 2: History of Boko Haram -- Chapter 3: Temporal Probabilistic Rules and Policy Computation Algorithms -- Chapter 4: Sexual Violence -- Chapter 5: Suicide Bombings -- Chapter 6: Abductions -- Chapter 7: Arson -- Chapter 8: Other Types of Attacks -- Appendix A: All TP-Rules -- Appendix B: Data Collection -- Appendix C: Most Used Variables -- Appendix D: Sample Boko Haram Report. Tipo de medio : Computadora Summary : This is the first study of Boko Haram that brings advanced data-driven, machine learning models to both learn models capable of predicting a wide range of attacks carried out by Boko Haram, as well as develop data-driven policies to shape Boko Haram's behavior and reduce attacks by them. This book also identifies conditions that predict sexual violence, suicide bombings and attempted bombings, abduction, arson, looting, and targeting of government officials and security installations. After reducing Boko Haram's history to a spreadsheet containing monthly information about different types of attacks and different circumstances prevailing over a 9 year period, this book introduces Temporal Probabilistic (TP) rules that can be automatically learned from data and are easy to explain to policy makers and security experts. This book additionally reports on over 1 year of forecasts made using the model in order to validate predictive accuracy. It also introduces a policy computation method to rein in Boko Haram's attacks. Applied machine learning researchers, machine learning experts and predictive modeling experts agree that this book is a valuable learning asset. Counter-terrorism experts, national and international security experts, public policy experts and Africa experts will also agree this book is a valuable learning tool. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Accelerated Optimization for Machine Learning : First-Order Algorithms Tipo de documento: documento electrónico Autores: Lin, Zhouchen, ; Li, Huan, ; Fang, Cong, Mención de edición: 1 ed. Editorial: Singapore [Malasia] : Springer Fecha de publicación: 2020 Número de páginas: XXIV, 275 p. 36 ilustraciones ISBN/ISSN/DL: 978-981-1529108-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Optimización matemática Informática Matemáticas Mejoramiento Aplicaciones matemáticas en informática Matemática Computacional y Análisis Numérico Clasificación: 006.31 Resumen: Este libro sobre optimización incluye prólogos de Michael I. Jordan, Zongben Xu y Zhi-Quan Luo. El aprendizaje automático depende en gran medida de la optimización para resolver problemas con sus modelos de aprendizaje, y los algoritmos de optimización de primer orden son los enfoques principales. La aceleración de los algoritmos de optimización de primer orden es crucial para la eficiencia del aprendizaje automático. Escrito por destacados expertos en el campo, este libro proporciona una introducción completa y una revisión de última generación de los algoritmos de optimización acelerada de primer orden para el aprendizaje automático. Se analiza una variedad de métodos, incluidos algoritmos deterministas y estocásticos, donde los algoritmos pueden ser sincrónicos o asincrónicos, para problemas restringidos y sin restricciones, que pueden ser convexos o no convexos. Al ofrecer una rica combinación de ideas, teorÃas y pruebas, el libro está actualizado y es autónomo. Es un excelente recurso de referencia para los usuarios que buscan algoritmos de optimización más rápidos, asà como para estudiantes graduados e investigadores que desean alcanzar las fronteras de la optimización en el aprendizaje automático en poco tiempo. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Accelerated Algorithms for Unconstrained Convex Optimization -- Chapter 3. Accelerated Algorithms for Constrained Convex Optimization -- Chapter 4. Accelerated Algorithms for Nonconvex Optimization -- Chapter 5. Accelerated Stochastic Algorithms -- Chapter 6. Accelerated Paralleling Algorithms -- Chapter 7. Conclusions.-. Tipo de medio : Computadora Summary : This book on optimization includes forewords by Michael I. Jordan, Zongben Xu and Zhi-Quan Luo. Machine learning relies heavily on optimization to solve problems with its learning models, and first-order optimization algorithms are the mainstream approaches. The acceleration of first-order optimization algorithms is crucial for the efficiency of machine learning. Written by leading experts in the field, this book provides a comprehensive introduction to, and state-of-the-art review of accelerated first-order optimization algorithms for machine learning. It discusses a variety of methods, including deterministic and stochastic algorithms, where the algorithms can be synchronous or asynchronous, for unconstrained and constrained problems, which can be convex or non-convex. Offering a rich blend of ideas, theories and proofs, the book is up-to-date and self-contained. It is an excellent reference resource for users who are seeking faster optimization algorithms, as well as for graduate students and researchers wanting to grasp the frontiers of optimization in machine learning in a short time. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Accelerated Optimization for Machine Learning : First-Order Algorithms [documento electrónico] / Lin, Zhouchen, ; Li, Huan, ; Fang, Cong, . - 1 ed. . - Singapore [Malasia] : Springer, 2020 . - XXIV, 275 p. 36 ilustraciones.
ISBN : 978-981-1529108--
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Aprendizaje automático Optimización matemática Informática Matemáticas Mejoramiento Aplicaciones matemáticas en informática Matemática Computacional y Análisis Numérico Clasificación: 006.31 Resumen: Este libro sobre optimización incluye prólogos de Michael I. Jordan, Zongben Xu y Zhi-Quan Luo. El aprendizaje automático depende en gran medida de la optimización para resolver problemas con sus modelos de aprendizaje, y los algoritmos de optimización de primer orden son los enfoques principales. La aceleración de los algoritmos de optimización de primer orden es crucial para la eficiencia del aprendizaje automático. Escrito por destacados expertos en el campo, este libro proporciona una introducción completa y una revisión de última generación de los algoritmos de optimización acelerada de primer orden para el aprendizaje automático. Se analiza una variedad de métodos, incluidos algoritmos deterministas y estocásticos, donde los algoritmos pueden ser sincrónicos o asincrónicos, para problemas restringidos y sin restricciones, que pueden ser convexos o no convexos. Al ofrecer una rica combinación de ideas, teorÃas y pruebas, el libro está actualizado y es autónomo. Es un excelente recurso de referencia para los usuarios que buscan algoritmos de optimización más rápidos, asà como para estudiantes graduados e investigadores que desean alcanzar las fronteras de la optimización en el aprendizaje automático en poco tiempo. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Accelerated Algorithms for Unconstrained Convex Optimization -- Chapter 3. Accelerated Algorithms for Constrained Convex Optimization -- Chapter 4. Accelerated Algorithms for Nonconvex Optimization -- Chapter 5. Accelerated Stochastic Algorithms -- Chapter 6. Accelerated Paralleling Algorithms -- Chapter 7. Conclusions.-. Tipo de medio : Computadora Summary : This book on optimization includes forewords by Michael I. Jordan, Zongben Xu and Zhi-Quan Luo. Machine learning relies heavily on optimization to solve problems with its learning models, and first-order optimization algorithms are the mainstream approaches. The acceleration of first-order optimization algorithms is crucial for the efficiency of machine learning. Written by leading experts in the field, this book provides a comprehensive introduction to, and state-of-the-art review of accelerated first-order optimization algorithms for machine learning. It discusses a variety of methods, including deterministic and stochastic algorithms, where the algorithms can be synchronous or asynchronous, for unconstrained and constrained problems, which can be convex or non-convex. Offering a rich blend of ideas, theories and proofs, the book is up-to-date and self-contained. It is an excellent reference resource for users who are seeking faster optimization algorithms, as well as for graduate students and researchers wanting to grasp the frontiers of optimization in machine learning in a short time. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR Tipo de documento: documento electrónico Autores: Korstanje, Joos, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-7150-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Clasificación: 006.31 Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto especÃfico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorÃas de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. Tipo de medio : Computadora Summary : Cover all the machine learning techniques relevant for forecasting problems, ranging from univariate and multivariate time series to supervised learning, to state-of-the-art deep forecasting models such as LSTMs, recurrent neural networks, Facebook's open-source Prophet model, and Amazon's DeepAR model. Rather than focus on a specific set of models, this book presents an exhaustive overview of all the techniques relevant to practitioners of forecasting. It begins by explaining the different categories of models that are relevant for forecasting in a high-level language. Next, it covers univariate and multivariate time series models followed by advanced machine learning and deep learning models. It concludes with reflections on model selection such as benchmark scores vs. understandability of models vs. compute time, and automated retraining and updating of models. Each of the models presented in this book is covered in depth, with an intuitive simple explanation of the model, amathematical transcription of the idea, and Python code that applies the model to an example data set. Reading this book will add a competitive edge to your current forecasting skillset. The book is also adapted to those who have recently started working on forecasting tasks and are looking for an exhaustive book that allows them to start with traditional models and gradually move into more and more advanced models. You will: Carry out forecasting with Python Mathematically and intuitively understand traditional forecasting models and state-of-the-art machine learning techniques Gain the basics of forecasting and machine learning, including evaluation of models, cross-validation, and back testing Select the right model for the right use case. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR [documento electrónico] / Korstanje, Joos, . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color.
ISBN : 978-1-4842-7150-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Clasificación: 006.31 Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto especÃfico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorÃas de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. Tipo de medio : Computadora Summary : Cover all the machine learning techniques relevant for forecasting problems, ranging from univariate and multivariate time series to supervised learning, to state-of-the-art deep forecasting models such as LSTMs, recurrent neural networks, Facebook's open-source Prophet model, and Amazon's DeepAR model. Rather than focus on a specific set of models, this book presents an exhaustive overview of all the techniques relevant to practitioners of forecasting. It begins by explaining the different categories of models that are relevant for forecasting in a high-level language. Next, it covers univariate and multivariate time series models followed by advanced machine learning and deep learning models. It concludes with reflections on model selection such as benchmark scores vs. understandability of models vs. compute time, and automated retraining and updating of models. Each of the models presented in this book is covered in depth, with an intuitive simple explanation of the model, amathematical transcription of the idea, and Python code that applies the model to an example data set. Reading this book will add a competitive edge to your current forecasting skillset. The book is also adapted to those who have recently started working on forecasting tasks and are looking for an exhaustive book that allows them to start with traditional models and gradually move into more and more advanced models. You will: Carry out forecasting with Python Mathematically and intuitively understand traditional forecasting models and state-of-the-art machine learning techniques Gain the basics of forecasting and machine learning, including evaluation of models, cross-validation, and back testing Select the right model for the right use case. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Analog IC Placement Generation via Neural Networks from Unlabeled Data Tipo de documento: documento electrónico Autores: Gusmão, António, ; Horta, Nuno, ; Lourenço, Nuno, ; Martins, Ricardo, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-50061-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Clasificación: 006.31 Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquà se refleja principalmente en dos de las caracterÃsticas del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topologÃa de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topologÃa. Por medio de estas descripciones, una topologÃa general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologÃas de entrenamiento. En el capÃtulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologÃas más nuevas y reutilizar el conocimiento adquirido. Por último, la metodologÃa utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . Tipo de medio : Computadora Summary : In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the placement task in analog integrated circuit layout design, by creating a generalized model that can generate valid layouts at push-button speed. Further, it exploits ANNs' generalization and push-button speed prediction (once fully trained) capabilities, and details the optimal description of the input/output data relation. The description developed here is chiefly reflected in two of the system's characteristics: the shape of the input data and the minimized loss function. In order to address the latter, abstract and segmented descriptions of both the input data and the objective behavior are developed, which allow the model to identify, in newer scenarios, sub-blocks which can be found in the input data. This approach yields device-level descriptions of the input topology that, for each device, focus on describing its relation to every other device in the topology. By means of thesedescriptions, an unfamiliar overall topology can be broken down into devices that are subject to the same constraints as a device in one of the training topologies. In the experimental results chapter, the trained ANNs are used to produce a variety of valid placement solutions even beyond the scope of the training/validation sets, demonstrating the model's effectiveness in terms of identifying common components between newer topologies and reutilizing the acquired knowledge. Lastly, the methodology used can readily adapt to the given problem's context (high label production cost), resulting in an efficient, inexpensive and fast model. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Analog IC Placement Generation via Neural Networks from Unlabeled Data [documento electrónico] / Gusmão, António, ; Horta, Nuno, ; Lourenço, Nuno, ; Martins, Ricardo, . - 1 ed. . - [s.l.] : Springer, 2020 . - XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color.
ISBN : 978-3-030-50061-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Aprendizaje automático Clasificación: 006.31 Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquà se refleja principalmente en dos de las caracterÃsticas del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topologÃa de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topologÃa. Por medio de estas descripciones, una topologÃa general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologÃas de entrenamiento. En el capÃtulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologÃas más nuevas y reutilizar el conocimiento adquirido. Por último, la metodologÃa utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . Tipo de medio : Computadora Summary : In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the placement task in analog integrated circuit layout design, by creating a generalized model that can generate valid layouts at push-button speed. Further, it exploits ANNs' generalization and push-button speed prediction (once fully trained) capabilities, and details the optimal description of the input/output data relation. The description developed here is chiefly reflected in two of the system's characteristics: the shape of the input data and the minimized loss function. In order to address the latter, abstract and segmented descriptions of both the input data and the objective behavior are developed, which allow the model to identify, in newer scenarios, sub-blocks which can be found in the input data. This approach yields device-level descriptions of the input topology that, for each device, focus on describing its relation to every other device in the topology. By means of thesedescriptions, an unfamiliar overall topology can be broken down into devices that are subject to the same constraints as a device in one of the training topologies. In the experimental results chapter, the trained ANNs are used to produce a variety of valid placement solutions even beyond the scope of the training/validation sets, demonstrating the model's effectiveness in terms of identifying common components between newer topologies and reutilizing the acquired knowledge. Lastly, the methodology used can readily adapt to the given problem's context (high label production cost), resulting in an efficient, inexpensive and fast model. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
