Large Scale Hierarchical Classification: State of the Art / Naik, Azad  

Público ISBD Ningún comentario para este título. Título : Large Scale Hierarchical Classification: State of the Art Tipo de documento: documento electrónico Autores: Naik, Azad, ; Rangwala, Huzefa, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVI, 93 p. 57 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-01620-3 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: Procesamiento de datos  Inteligencia artificial  Minería de datos y descubrimiento de conocimientos Clasificación: 6.312 Resumen: Este SpringerBrief cubre el material técnico relacionado con la clasificación jerárquica a gran escala (LSHC). HC es un problema importante de aprendizaje automático que se ha investigado y explorado ampliamente en los últimos años. En este libro, los autores brindan una descripción general completa de varios métodos y algoritmos de última generación que se desarrollaron para resolver el problema de HC en dominios a gran escala. Se analizan en detalle varios desafíos que enfrenta LSHC, tales como: 1. Alto desequilibrio entre clases en diferentes niveles de la jerarquía 2. La incorporación de relaciones durante el aprendizaje del modelo genera problemas de optimización 3. Selección de funciones 4. Escalabilidad debido a la gran cantidad de ejemplos y características y clases 5. Inconsistencias jerárquicas 6. Propagación de errores debido a múltiples decisiones involucradas en la realización de predicciones para métodos de arriba hacia abajo. El informe también demuestra cómo se pueden aprovechar múltiples jerarquías para mejorar el rendimiento de HC utilizando diferentes marcos de aprendizaje multitarea (MTL). El propósito de este libro es doble: 1. Ayudar a los investigadores/principiantes novatos a ponerse al día proporcionándoles una descripción general completa de varias técnicas existentes. 2. Proporcionar varias direcciones de investigación que aún no se hayan explorado ampliamente para avanzar en los límites de la investigación en HC. Los nuevos enfoques discutidos en este libro incluyen información detallada correspondiente a las inconsistencias jerárquicas, el aprendizaje multitarea y la selección de funciones para HC. Sus resultados son altamente competitivos con los enfoques más recientes de la literatura. Nota de contenido: 1 Introduction -- 2 Background and Literature Review -- 3 Hierarchical Structure Inconsistencies -- 4 Large Scale Hierarchical Classification with Feature Selection -- 5 Multi-Task Learning -- 6 Conclusions and Future Research Directions. Tipo de medio : Computadora Summary : This SpringerBrief covers the technical material related to large scale hierarchical classification (LSHC). HC is an important machine learning problem that has been researched and explored extensively in the past few years. In this book, the authors provide a comprehensive overview of various state-of-the-art existing methods and algorithms that were developed to solve the HC problem in large scale domains. Several challenges faced by LSHC is discussed in detail such as: 1. High imbalance between classes at different levels of the hierarchy 2. Incorporating relationships during model learning leads to optimization issues 3. Feature selection 4. Scalability due to large number of examples, features and classes 5. Hierarchical inconsistencies 6. Error propagation due to multiple decisions involved in making predictions for top-down methods The brief also demonstrates how multiple hierarchies can be leveraged forimproving the HC performance using different Multi-Task Learning (MTL) frameworks. The purpose of this book is two-fold: 1. Help novice researchers/beginners to get up to speed by providing a comprehensive overview of several existing techniques. 2. Provide several research directions that have not yet been explored extensively to advance the research boundaries in HC. New approaches discussed in this book include detailed information corresponding to the hierarchical inconsistencies, multi-task learning and feature selection for HC. Its results are highly competitive with the state-of-the-art approaches in the literature. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Large Scale Hierarchical Classification: State of the Art [documento electrónico] / Naik, Azad, ; Rangwala, Huzefa,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XVI, 93 p. 57 ilustraciones, 56 ilustraciones en color. ISBN : 978-3-030-01620-3 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: Procesamiento de datos  Inteligencia artificial  Minería de datos y descubrimiento de conocimientos Clasificación: 6.312 Resumen: Este SpringerBrief cubre el material técnico relacionado con la clasificación jerárquica a gran escala (LSHC). HC es un problema importante de aprendizaje automático que se ha investigado y explorado ampliamente en los últimos años. En este libro, los autores brindan una descripción general completa de varios métodos y algoritmos de última generación que se desarrollaron para resolver el problema de HC en dominios a gran escala. Se analizan en detalle varios desafíos que enfrenta LSHC, tales como: 1. Alto desequilibrio entre clases en diferentes niveles de la jerarquía 2. La incorporación de relaciones durante el aprendizaje del modelo genera problemas de optimización 3. Selección de funciones 4. Escalabilidad debido a la gran cantidad de ejemplos y características y clases 5. Inconsistencias jerárquicas 6. Propagación de errores debido a múltiples decisiones involucradas en la realización de predicciones para métodos de arriba hacia abajo. El informe también demuestra cómo se pueden aprovechar múltiples jerarquías para mejorar el rendimiento de HC utilizando diferentes marcos de aprendizaje multitarea (MTL). El propósito de este libro es doble: 1. Ayudar a los investigadores/principiantes novatos a ponerse al día proporcionándoles una descripción general completa de varias técnicas existentes. 2. Proporcionar varias direcciones de investigación que aún no se hayan explorado ampliamente para avanzar en los límites de la investigación en HC. Los nuevos enfoques discutidos en este libro incluyen información detallada correspondiente a las inconsistencias jerárquicas, el aprendizaje multitarea y la selección de funciones para HC. Sus resultados son altamente competitivos con los enfoques más recientes de la literatura. Nota de contenido: 1 Introduction -- 2 Background and Literature Review -- 3 Hierarchical Structure Inconsistencies -- 4 Large Scale Hierarchical Classification with Feature Selection -- 5 Multi-Task Learning -- 6 Conclusions and Future Research Directions. Tipo de medio : Computadora Summary : This SpringerBrief covers the technical material related to large scale hierarchical classification (LSHC). HC is an important machine learning problem that has been researched and explored extensively in the past few years. In this book, the authors provide a comprehensive overview of various state-of-the-art existing methods and algorithms that were developed to solve the HC problem in large scale domains. Several challenges faced by LSHC is discussed in detail such as: 1. High imbalance between classes at different levels of the hierarchy 2. Incorporating relationships during model learning leads to optimization issues 3. Feature selection 4. Scalability due to large number of examples, features and classes 5. Hierarchical inconsistencies 6. Error propagation due to multiple decisions involved in making predictions for top-down methods The brief also demonstrates how multiple hierarchies can be leveraged forimproving the HC performance using different Multi-Task Learning (MTL) frameworks. The purpose of this book is two-fold: 1. Help novice researchers/beginners to get up to speed by providing a comprehensive overview of several existing techniques. 2. Provide several research directions that have not yet been explored extensively to advance the research boundaries in HC. New approaches discussed in this book include detailed information corresponding to the hierarchical inconsistencies, multi-task learning and feature selection for HC. Its results are highly competitive with the state-of-the-art approaches in the literature. 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