Human and Machine Learning / Zhou, Jianlong ; Chen, Fang  

Público ISBD Ningún comentario para este registro. Título : Human and Machine Learning : Visible, Explainable, Trustworthy and Transparent Tipo de documento: documento electrónico Autores: Zhou, Jianlong, ; Chen, Fang, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXIII, 482 p. 140 ilustraciones, 114 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-90403-0 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: Interfaces de usuario e interacción persona-computadora  Inteligencia artificial  Reconocimiento de patrones automatizado  Interfaces de usuario (sistemas informáticos)  Sistemas de reconocimiento de patrones  La interacción persona-ordenador Clasificación: 5.437 Resumen: Con un avance evolutivo de los algoritmos de aprendizaje automático (ML), un rápido aumento de los volúmenes de datos y una mejora significativa de la potencia de cálculo, el aprendizaje automático se vuelve popular en diferentes aplicaciones. Sin embargo, debido a la naturaleza de la "caja negra" en los métodos de aprendizaje automático, el aprendizaje automático aún debe interpretarse para vincular el aprendizaje humano y el automático para lograr transparencia y aceptación por parte de los usuarios de las soluciones entregadas. Este libro editado aborda dichos vínculos desde las perspectivas de visualización, explicación, confiabilidad y transparencia. El libro establece el vínculo entre el aprendizaje humano y automático al explorar la transparencia en el aprendizaje automático, la explicación visual de los procesos de ML, la explicación algorítmica de los modelos de ML, las respuestas cognitivas humanas en la toma de decisiones basadas en ML, la evaluación humana del aprendizaje automático y el conocimiento del dominio en el ML transparente. aplicaciones. Este es el primer libro de este tipo que comprende sistemáticamente las actividades y resultados de investigación activa actuales relacionados con el aprendizaje humano y automático. El libro no solo inspirará a los investigadores a desarrollar apasionadamente nuevos algoritmos que incorporen algoritmos de ML centrados en humanos, lo que dará como resultado el avance general del ML, sino que también ayudará a los profesionales del ML a utilizar proactivamente los resultados del ML para una toma de decisiones informativa y confiable. Este libro está dirigido a investigadores y profesionales involucrados con el aprendizaje automático y sus aplicaciones. El libro beneficiará especialmente a los investigadores en áreas como la inteligencia artificial, los sistemas de apoyo a la toma de decisiones y la interacción persona-computadora. Nota de contenido: Part I Transparency in Machine Learning -- Part II Visual Explanation of Machine Learning Process -- Part III Algorithmic Explanation of Machine Learning Models -- Part IV User Cognitive Responses in ML-Based Decision Making -- Part V Human and Evaluation of Machine Learning -- Part VI Domain Knowledge in Transparent Machine Learning Applications. Tipo de medio : Computadora Summary : With an evolutionary advancement of Machine Learning (ML) algorithms, a rapid increase of data volumes and a significant improvement of computation powers, machine learning becomes hot in different applications. However, because of the nature of "black-box" in ML methods, ML still needs to be interpreted to link human and machine learning for transparency and user acceptance of delivered solutions. This edited book addresses such links from the perspectives of visualisation, explanation, trustworthiness and transparency. The book establishes the link between human and machine learning by exploring transparency in machine learning, visual explanation of ML processes, algorithmic explanation of ML models, human cognitive responses in ML-based decision making, human evaluation of machine learning and domain knowledge in transparent ML applications. This is the first book of its kind to systematically understand the current active research activities and outcomes related to human and machine learning. The book will not only inspire researchers to passionately develop new algorithms incorporating human for human-centred ML algorithms, resulting in the overall advancement of ML, but also help ML practitioners proactively use ML outputs for informative and trustworthy decision making. This book is intended for researchers and practitioners involved with machine learning and its applications. The book will especially benefit researchers in areas like artificial intelligence, decision support systems and human-computer interaction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Human and Machine Learning : Visible, Explainable, Trustworthy and Transparent [documento electrónico] / Zhou, Jianlong, ; Chen, Fang,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XXIII, 482 p. 140 ilustraciones, 114 ilustraciones en color. ISBN : 978-3-319-90403-0 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: Interfaces de usuario e interacción persona-computadora  Inteligencia artificial  Reconocimiento de patrones automatizado  Interfaces de usuario (sistemas informáticos)  Sistemas de reconocimiento de patrones  La interacción persona-ordenador Clasificación: 5.437 Resumen: Con un avance evolutivo de los algoritmos de aprendizaje automático (ML), un rápido aumento de los volúmenes de datos y una mejora significativa de la potencia de cálculo, el aprendizaje automático se vuelve popular en diferentes aplicaciones. Sin embargo, debido a la naturaleza de la "caja negra" en los métodos de aprendizaje automático, el aprendizaje automático aún debe interpretarse para vincular el aprendizaje humano y el automático para lograr transparencia y aceptación por parte de los usuarios de las soluciones entregadas. Este libro editado aborda dichos vínculos desde las perspectivas de visualización, explicación, confiabilidad y transparencia. El libro establece el vínculo entre el aprendizaje humano y automático al explorar la transparencia en el aprendizaje automático, la explicación visual de los procesos de ML, la explicación algorítmica de los modelos de ML, las respuestas cognitivas humanas en la toma de decisiones basadas en ML, la evaluación humana del aprendizaje automático y el conocimiento del dominio en el ML transparente. aplicaciones. Este es el primer libro de este tipo que comprende sistemáticamente las actividades y resultados de investigación activa actuales relacionados con el aprendizaje humano y automático. El libro no solo inspirará a los investigadores a desarrollar apasionadamente nuevos algoritmos que incorporen algoritmos de ML centrados en humanos, lo que dará como resultado el avance general del ML, sino que también ayudará a los profesionales del ML a utilizar proactivamente los resultados del ML para una toma de decisiones informativa y confiable. Este libro está dirigido a investigadores y profesionales involucrados con el aprendizaje automático y sus aplicaciones. El libro beneficiará especialmente a los investigadores en áreas como la inteligencia artificial, los sistemas de apoyo a la toma de decisiones y la interacción persona-computadora. Nota de contenido: Part I Transparency in Machine Learning -- Part II Visual Explanation of Machine Learning Process -- Part III Algorithmic Explanation of Machine Learning Models -- Part IV User Cognitive Responses in ML-Based Decision Making -- Part V Human and Evaluation of Machine Learning -- Part VI Domain Knowledge in Transparent Machine Learning Applications. Tipo de medio : Computadora Summary : With an evolutionary advancement of Machine Learning (ML) algorithms, a rapid increase of data volumes and a significant improvement of computation powers, machine learning becomes hot in different applications. However, because of the nature of "black-box" in ML methods, ML still needs to be interpreted to link human and machine learning for transparency and user acceptance of delivered solutions. This edited book addresses such links from the perspectives of visualisation, explanation, trustworthiness and transparency. The book establishes the link between human and machine learning by exploring transparency in machine learning, visual explanation of ML processes, algorithmic explanation of ML models, human cognitive responses in ML-based decision making, human evaluation of machine learning and domain knowledge in transparent ML applications. This is the first book of its kind to systematically understand the current active research activities and outcomes related to human and machine learning. The book will not only inspire researchers to passionately develop new algorithms incorporating human for human-centred ML algorithms, resulting in the overall advancement of ML, but also help ML practitioners proactively use ML outputs for informative and trustworthy decision making. This book is intended for researchers and practitioners involved with machine learning and its applications. The book will especially benefit researchers in areas like artificial intelligence, decision support systems and human-computer interaction. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200