Explainable and Interpretable Models in Computer Vision and Machine Learning / Escalante, Hugo Jair ; Escalera, Sergio ; Guyon, Isabelle ; Baró, Xavier ; Güçlütürk, Yağmur ; Güçlü, Umut ; van Gerven, Marcel  

Público ISBD Ningún comentario para este registro. Título : Explainable and Interpretable Models in Computer Vision and Machine Learning Tipo de documento: documento electrónico Autores: Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, Yağmur, ; Güçlü, Umut, ; van Gerven, Marcel, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-98131-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro recopila investigaciones líderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una característica crítica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorítmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vídeo basadas en la teoría de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Explainable and Interpretable Models in Computer Vision and Machine Learning [documento electrónico] / Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, Yağmur, ; Güçlü, Umut, ; van Gerven, Marcel,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color. ISBN : 978-3-319-98131-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro recopila investigaciones líderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una característica crítica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorítmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vídeo basadas en la teoría de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200