Información del autor
Autor Chaudhuri, Arindam |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Bankruptcy Prediction through Soft Computing based Deep Learning Technique Tipo de documento: documento electrónico Autores: Chaudhuri, Arindam, ; Ghosh, Soumya K., Mención de edición: 1 ed. Editorial: Singapore [Malasia] : Springer Fecha de publicación: 2017 Número de páginas: XVII, 102 p. 59 ilustraciones ISBN/ISSN/DL: 978-981-10-6683-2 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 (sistemas informáticos) La interacción persona-ordenador Inteligencia artificial Simulación por ordenador Industria de servicios financieros EstadÃsticas Interfaces de usuario e interacción persona-computadora Modelado por computadora Operaciones de TI Servicios financieros EstadÃstica en Negocios Gestión EconomÃa Finanzas Seguros Clasificación: 5.437 Resumen: Este libro propone arquitecturas jerárquicas profundas (HDA) complejas para predecir la quiebra, un tema de actualidad para las empresas y las instituciones corporativas que en el pasado se ha abordado utilizando modelos de predicción estadÃsticos, basados ​​en el mercado y con inteligencia artificial. Los HDA se forman a través de redes de replanteo profundo de tensor aproximado difuso (FRTDSN) con modelos bayesianos aproximados estructurados y jerárquicos (HRB). FRTDSN se formaliza mediante TDSN y conjuntos aproximados difusos, y HRB se forma incorporando conjuntos aproximados probabilÃsticos en un modelo bayesiano jerárquico estructurado. Luego, FRTDSN se integra con HRB para formar el modelo compuesto FRTDSN-HRB. HRB mejora la precisión de la predicción del modelo FRTDSN-HRB. Los conjuntos de datos experimentales se adoptaron de empresas constructoras coreanas y de empresas no financieras estadounidenses y europeas, y la investigación presentada se centra en el impacto de la elección de los puntos de corte, los procedimientos de muestreo y el ciclo económico en la precisión de los modelos de predicción de quiebras. El libro también destaca el hecho de que una clasificación errónea puede dar lugar a predicciones erróneas que generan costos prohibitivos para los inversores y la economÃa, y muestra que la elección del punto de corte y los procedimientos de muestreo afectan las clasificaciones de varios modelos. También sugiere que los puntos de corte empÃricos estimados a partir de muestras de entrenamiento dan como resultado los costos de clasificación errónea más bajos para todos los modelos. El libro confirma que FRTDSN-HRB logra un rendimiento superior en comparación con otros modelos estadÃsticos y de computación blanda. Los resultados experimentales se dan en términos de varios parámetros estadÃsticos importantes que giran en diferentes ciclos y subciclos económicos para los conjuntos de datos considerados y son de inmenso beneficio para los investigadores que trabajan en esta área. Nota de contenido: Introduction -- Need of this Research -- Literature Review -- Bankruptcy Prediction Methodology -- Need for Risk Classification -- Experimental Framework: Bankruptcy Prediction using Soft Computing based Deep Learning Technique.- Datasets Used -- Experimental Results -- Conclusion . Tipo de medio : Computadora Summary : This book proposes complex hierarchical deep architectures (HDA) for predicting bankruptcy, a topical issue for business and corporate institutions that in the past has been tackled using statistical, market-based and machine-intelligence prediction models. The HDA are formed through fuzzy rough tensor deep staking networks (FRTDSN) with structured, hierarchical rough Bayesian (HRB) models. FRTDSN is formalized through TDSN and fuzzy rough sets, and HRB is formed by incorporating probabilistic rough sets in structured hierarchical Bayesian model. Then FRTDSN is integrated with HRB to form the compound FRTDSN-HRB model. HRB enhances the prediction accuracy of FRTDSN-HRB model. The experimental datasets are adopted from Korean construction companies and American and European non-financial companies, and the research presented focuses on the impact of choice of cut-off points, sampling procedures and business cycle on the accuracy of bankruptcy prediction models. The book alsohighlights the fact that misclassification can result in erroneous predictions leading to prohibitive costs to investors and the economy, and shows that choice of cut-off point and sampling procedures affect rankings of various models. It also suggests that empirical cut-off points estimated from training samples result in the lowest misclassification costs for all the models. The book confirms that FRTDSN-HRB achieves superior performance compared to other statistical and soft-computing models. The experimental results are given in terms of several important statistical parameters revolving different business cycles and sub-cycles for the datasets considered and are of immense benefit to researchers working in this area. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Bankruptcy Prediction through Soft Computing based Deep Learning Technique [documento electrónico] / Chaudhuri, Arindam, ; Ghosh, Soumya K., . - 1 ed. . - Singapore [Malasia] : Springer, 2017 . - XVII, 102 p. 59 ilustraciones.
ISBN : 978-981-10-6683-2
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 (sistemas informáticos) La interacción persona-ordenador Inteligencia artificial Simulación por ordenador Industria de servicios financieros EstadÃsticas Interfaces de usuario e interacción persona-computadora Modelado por computadora Operaciones de TI Servicios financieros EstadÃstica en Negocios Gestión EconomÃa Finanzas Seguros Clasificación: 5.437 Resumen: Este libro propone arquitecturas jerárquicas profundas (HDA) complejas para predecir la quiebra, un tema de actualidad para las empresas y las instituciones corporativas que en el pasado se ha abordado utilizando modelos de predicción estadÃsticos, basados ​​en el mercado y con inteligencia artificial. Los HDA se forman a través de redes de replanteo profundo de tensor aproximado difuso (FRTDSN) con modelos bayesianos aproximados estructurados y jerárquicos (HRB). FRTDSN se formaliza mediante TDSN y conjuntos aproximados difusos, y HRB se forma incorporando conjuntos aproximados probabilÃsticos en un modelo bayesiano jerárquico estructurado. Luego, FRTDSN se integra con HRB para formar el modelo compuesto FRTDSN-HRB. HRB mejora la precisión de la predicción del modelo FRTDSN-HRB. Los conjuntos de datos experimentales se adoptaron de empresas constructoras coreanas y de empresas no financieras estadounidenses y europeas, y la investigación presentada se centra en el impacto de la elección de los puntos de corte, los procedimientos de muestreo y el ciclo económico en la precisión de los modelos de predicción de quiebras. El libro también destaca el hecho de que una clasificación errónea puede dar lugar a predicciones erróneas que generan costos prohibitivos para los inversores y la economÃa, y muestra que la elección del punto de corte y los procedimientos de muestreo afectan las clasificaciones de varios modelos. También sugiere que los puntos de corte empÃricos estimados a partir de muestras de entrenamiento dan como resultado los costos de clasificación errónea más bajos para todos los modelos. El libro confirma que FRTDSN-HRB logra un rendimiento superior en comparación con otros modelos estadÃsticos y de computación blanda. Los resultados experimentales se dan en términos de varios parámetros estadÃsticos importantes que giran en diferentes ciclos y subciclos económicos para los conjuntos de datos considerados y son de inmenso beneficio para los investigadores que trabajan en esta área. Nota de contenido: Introduction -- Need of this Research -- Literature Review -- Bankruptcy Prediction Methodology -- Need for Risk Classification -- Experimental Framework: Bankruptcy Prediction using Soft Computing based Deep Learning Technique.- Datasets Used -- Experimental Results -- Conclusion . Tipo de medio : Computadora Summary : This book proposes complex hierarchical deep architectures (HDA) for predicting bankruptcy, a topical issue for business and corporate institutions that in the past has been tackled using statistical, market-based and machine-intelligence prediction models. The HDA are formed through fuzzy rough tensor deep staking networks (FRTDSN) with structured, hierarchical rough Bayesian (HRB) models. FRTDSN is formalized through TDSN and fuzzy rough sets, and HRB is formed by incorporating probabilistic rough sets in structured hierarchical Bayesian model. Then FRTDSN is integrated with HRB to form the compound FRTDSN-HRB model. HRB enhances the prediction accuracy of FRTDSN-HRB model. The experimental datasets are adopted from Korean construction companies and American and European non-financial companies, and the research presented focuses on the impact of choice of cut-off points, sampling procedures and business cycle on the accuracy of bankruptcy prediction models. The book alsohighlights the fact that misclassification can result in erroneous predictions leading to prohibitive costs to investors and the economy, and shows that choice of cut-off point and sampling procedures affect rankings of various models. It also suggests that empirical cut-off points estimated from training samples result in the lowest misclassification costs for all the models. The book confirms that FRTDSN-HRB achieves superior performance compared to other statistical and soft-computing models. The experimental results are given in terms of several important statistical parameters revolving different business cycles and sub-cycles for the datasets considered and are of immense benefit to researchers working in this area. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Optical Character Recognition Systems for Different Languages with Soft Computing / Chaudhuri, Arindam
TÃtulo : Optical Character Recognition Systems for Different Languages with Soft Computing Tipo de documento: documento electrónico Autores: Chaudhuri, Arindam, ; Mandaviya, Krupa, ; Badelia, Pratixa, ; K Ghosh, Soumya, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XIX, 248 p. 95 ilustraciones ISBN/ISSN/DL: 978-3-319-50252-6 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: Inteligencia Computacional Sistemas de reconocimiento de patrones LigüÃstica computacional Inteligencia artificial Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: El libro ofrece un estudio completo de los modelos de computación blanda para sistemas de reconocimiento óptico de caracteres. Las diversas técnicas, incluidos conjuntos difusos y aproximados, redes neuronales artificiales y algoritmos genéticos, se prueban utilizando textos reales escritos en diferentes idiomas, como inglés, francés, alemán, latÃn, hindi y gujrati, que han sido extraÃdos de conjuntos de datos disponibles públicamente. Los estudios de simulación, que se detallan aquÃ, muestran que el modelado de sistemas OCR basado en computación suave funciona consistentemente mejor que los modelos tradicionales. Diseñado principalmente como un estudio sobre el estado del arte para posgraduados e investigadores en reconocimiento de patrones, reconocimiento óptico de caracteres y computación blanda, este libro será útil tanto para los profesionales de la visión por computadora como para el procesamiento de imágenes, al tratar diferentes temas relacionados con el reconocimiento óptico de caracteres. . Tipo de medio : Computadora Summary : The book offers a comprehensive survey of soft-computing models for optical character recognition systems. The various techniques, including fuzzy and rough sets, artificial neural networks and genetic algorithms, are tested using real texts written in different languages, such as English, French, German, Latin, Hindi and Gujrati, which have been extracted by publicly available datasets. The simulation studies, which are reported in details here, show that soft-computing based modeling of OCR systems performs consistently better than traditional models. Mainly intended as state-of-the-art survey for postgraduates and researchers in pattern recognition, optical character recognition and soft computing, this book will be useful for professionals in computer vision and image processing alike, dealing with different issues related to optical character recognition. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Optical Character Recognition Systems for Different Languages with Soft Computing [documento electrónico] / Chaudhuri, Arindam, ; Mandaviya, Krupa, ; Badelia, Pratixa, ; K Ghosh, Soumya, . - 1 ed. . - [s.l.] : Springer, 2017 . - XIX, 248 p. 95 ilustraciones.
ISBN : 978-3-319-50252-6
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: Inteligencia Computacional Sistemas de reconocimiento de patrones LigüÃstica computacional Inteligencia artificial Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: El libro ofrece un estudio completo de los modelos de computación blanda para sistemas de reconocimiento óptico de caracteres. Las diversas técnicas, incluidos conjuntos difusos y aproximados, redes neuronales artificiales y algoritmos genéticos, se prueban utilizando textos reales escritos en diferentes idiomas, como inglés, francés, alemán, latÃn, hindi y gujrati, que han sido extraÃdos de conjuntos de datos disponibles públicamente. Los estudios de simulación, que se detallan aquÃ, muestran que el modelado de sistemas OCR basado en computación suave funciona consistentemente mejor que los modelos tradicionales. Diseñado principalmente como un estudio sobre el estado del arte para posgraduados e investigadores en reconocimiento de patrones, reconocimiento óptico de caracteres y computación blanda, este libro será útil tanto para los profesionales de la visión por computadora como para el procesamiento de imágenes, al tratar diferentes temas relacionados con el reconocimiento óptico de caracteres. . Tipo de medio : Computadora Summary : The book offers a comprehensive survey of soft-computing models for optical character recognition systems. The various techniques, including fuzzy and rough sets, artificial neural networks and genetic algorithms, are tested using real texts written in different languages, such as English, French, German, Latin, Hindi and Gujrati, which have been extracted by publicly available datasets. The simulation studies, which are reported in details here, show that soft-computing based modeling of OCR systems performs consistently better than traditional models. Mainly intended as state-of-the-art survey for postgraduates and researchers in pattern recognition, optical character recognition and soft computing, this book will be useful for professionals in computer vision and image processing alike, dealing with different issues related to optical character recognition. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Visual and Text Sentiment Analysis through Hierarchical Deep Learning Networks Tipo de documento: documento electrónico Autores: Chaudhuri, Arindam, Mención de edición: 1 ed. Editorial: Singapore [Malasia] : Springer Fecha de publicación: 2019 Número de páginas: XIX, 98 p. 49 ilustraciones, 42 ilustraciones en color. ISBN/ISSN/DL: 978-981-1374746-- 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: Sistemas de almacenamiento y recuperación de información. Gestión de base de datos Procesamiento de datos Sistemas de reconocimiento de patrones Almacenamiento y recuperación de información MinerÃa de datos y descubrimiento de conocimientos Reconocimiento de patrones automatizado Clasificación: 025.04 Resumen: Este libro presenta las últimas investigaciones sobre aprendizaje profundo jerárquico para el análisis de sentimientos multimodal. Además, analiza los sentimientos en los blogs de Twitter a partir de contenido textual y visual utilizando redes jerárquicas de aprendizaje profundo: redes neuronales recurrentes de retroalimentación cerrada jerárquica (HGFRNN). Hasta la fecha se han realizado varios estudios sobre aprendizaje profundo, pero la mayorÃa de los métodos actuales se centran únicamente en contenido textual o únicamente en contenido visual. Por el contrario, el modelo de análisis de sentimientos propuesto se puede aplicar a cualquier conjunto de datos de blogs sociales, lo que hace que el libro sea muy beneficioso para estudiantes de posgrado e investigadores en aprendizaje profundo y análisis de sentimientos. La abstracción matemática del modelo de análisis de sentimientos se presenta de manera muy lúcida. Los sentimientos completos se analizan combinando resultados de predicción visuales y de texto. La novedad del libro radica en el desarrollo de innovadoras redes neuronales recurrentes jerárquicas para analizar sentimientos; apilamiento de múltiples capas recurrentes controlando el flujo de señal desde las capas recurrentes superiores a las capas inferiores a través de una unidad de activación global; evaluación de HGFRNN con diferentes tipos de unidades recurrentes; y asignación adaptativa de capas HGFRNN a diferentes escalas de tiempo. Teniendo en cuenta la necesidad de aprovechar el contenido multimedia social a gran escala para el análisis de sentimientos, se utilizan técnicas de análisis de sentimientos tanto visuales como textuales de última generación para el análisis conjunto de sentimientos visual y textual. El método propuesto arroja resultados prometedores a partir de conjuntos de datos de Twitter que incluyen tanto textos como imágenes, que respaldan la hipótesis teórica. Nota de contenido: Chapter1. Introduction -- Chapter 2. Current State of Art -- Chapter 3. Literature Review -- Chapter 4. Twitter Datasets Used -- Chapter 5. Visual and Text Sentiment Analysis -- Chapter 6. Experimental Setup: Visual and Text Sentiment Analysis through Hierarchical Deep Learning Networks -- Chapter 7. Twitter Datasets Used -- Chapter 8. Experimental Results -- Chapter 9. Conclusion. Tipo de medio : Computadora Summary : This book presents the latest research on hierarchical deep learning for multi-modal sentiment analysis. Further, it analyses sentiments in Twitter blogs from both textual and visual content using hierarchical deep learning networks: hierarchical gated feedback recurrent neural networks (HGFRNNs). Several studies on deep learning have been conducted to date, but most of the current methods focus on either only textual content, or only visual content. In contrast, the proposed sentiment analysis model can be applied to any social blog dataset, making the book highly beneficial for postgraduate students and researchers in deep learning and sentiment analysis. The mathematical abstraction of the sentiment analysis model is presented in a very lucid manner. The complete sentiments are analysed by combining text and visual prediction results. The book's novelty lies in its development of innovative hierarchical recurrent neural networks for analysing sentiments; stacking of multiple recurrent layers by controlling the signal flow from upper recurrent layers to lower layers through a global gating unit; evaluation of HGFRNNs with different types of recurrent units; and adaptive assignment of HGFRNN layers to different timescales. Considering the need to leverage large-scale social multimedia content for sentiment analysis, both state-of-the-art visual and textual sentiment analysis techniques are used for joint visual-textual sentiment analysis. The proposed method yields promising results from Twitter datasets that include both texts and images, which support the theoretical hypothesis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Visual and Text Sentiment Analysis through Hierarchical Deep Learning Networks [documento electrónico] / Chaudhuri, Arindam, . - 1 ed. . - Singapore [Malasia] : Springer, 2019 . - XIX, 98 p. 49 ilustraciones, 42 ilustraciones en color.
ISBN : 978-981-1374746--
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: Sistemas de almacenamiento y recuperación de información. Gestión de base de datos Procesamiento de datos Sistemas de reconocimiento de patrones Almacenamiento y recuperación de información MinerÃa de datos y descubrimiento de conocimientos Reconocimiento de patrones automatizado Clasificación: 025.04 Resumen: Este libro presenta las últimas investigaciones sobre aprendizaje profundo jerárquico para el análisis de sentimientos multimodal. Además, analiza los sentimientos en los blogs de Twitter a partir de contenido textual y visual utilizando redes jerárquicas de aprendizaje profundo: redes neuronales recurrentes de retroalimentación cerrada jerárquica (HGFRNN). Hasta la fecha se han realizado varios estudios sobre aprendizaje profundo, pero la mayorÃa de los métodos actuales se centran únicamente en contenido textual o únicamente en contenido visual. Por el contrario, el modelo de análisis de sentimientos propuesto se puede aplicar a cualquier conjunto de datos de blogs sociales, lo que hace que el libro sea muy beneficioso para estudiantes de posgrado e investigadores en aprendizaje profundo y análisis de sentimientos. La abstracción matemática del modelo de análisis de sentimientos se presenta de manera muy lúcida. Los sentimientos completos se analizan combinando resultados de predicción visuales y de texto. La novedad del libro radica en el desarrollo de innovadoras redes neuronales recurrentes jerárquicas para analizar sentimientos; apilamiento de múltiples capas recurrentes controlando el flujo de señal desde las capas recurrentes superiores a las capas inferiores a través de una unidad de activación global; evaluación de HGFRNN con diferentes tipos de unidades recurrentes; y asignación adaptativa de capas HGFRNN a diferentes escalas de tiempo. Teniendo en cuenta la necesidad de aprovechar el contenido multimedia social a gran escala para el análisis de sentimientos, se utilizan técnicas de análisis de sentimientos tanto visuales como textuales de última generación para el análisis conjunto de sentimientos visual y textual. El método propuesto arroja resultados prometedores a partir de conjuntos de datos de Twitter que incluyen tanto textos como imágenes, que respaldan la hipótesis teórica. Nota de contenido: Chapter1. Introduction -- Chapter 2. Current State of Art -- Chapter 3. Literature Review -- Chapter 4. Twitter Datasets Used -- Chapter 5. Visual and Text Sentiment Analysis -- Chapter 6. Experimental Setup: Visual and Text Sentiment Analysis through Hierarchical Deep Learning Networks -- Chapter 7. Twitter Datasets Used -- Chapter 8. Experimental Results -- Chapter 9. Conclusion. Tipo de medio : Computadora Summary : This book presents the latest research on hierarchical deep learning for multi-modal sentiment analysis. Further, it analyses sentiments in Twitter blogs from both textual and visual content using hierarchical deep learning networks: hierarchical gated feedback recurrent neural networks (HGFRNNs). Several studies on deep learning have been conducted to date, but most of the current methods focus on either only textual content, or only visual content. In contrast, the proposed sentiment analysis model can be applied to any social blog dataset, making the book highly beneficial for postgraduate students and researchers in deep learning and sentiment analysis. The mathematical abstraction of the sentiment analysis model is presented in a very lucid manner. The complete sentiments are analysed by combining text and visual prediction results. The book's novelty lies in its development of innovative hierarchical recurrent neural networks for analysing sentiments; stacking of multiple recurrent layers by controlling the signal flow from upper recurrent layers to lower layers through a global gating unit; evaluation of HGFRNNs with different types of recurrent units; and adaptive assignment of HGFRNN layers to different timescales. Considering the need to leverage large-scale social multimedia content for sentiment analysis, both state-of-the-art visual and textual sentiment analysis techniques are used for joint visual-textual sentiment analysis. The proposed method yields promising results from Twitter datasets that include both texts and images, which support the theoretical hypothesis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
