Proceedings of ELM-2016 / Cao, Jiuwen ; Cambria, Erik ; Lendasse, Amaury ; Miche, Yoan ; Vong, Chi Man  

Público ISBD Ningún comentario para este título. Título : Proceedings of ELM-2016 Tipo de documento: documento electrónico Autores: Cao, Jiuwen, ; Cambria, Erik, ; Lendasse, Amaury, ; Miche, Yoan, ; Vong, Chi Man, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XIII, 285 p. 143 ilustraciones, 126 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-57421-9 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 Computacional  Inteligencia artificial Clasificación: Resumen: Este libro contiene algunos artículos seleccionados de la Conferencia Internacional sobre Máquinas de Aprendizaje Extremo 2016, que se celebró en Singapur del 13 al 15 de diciembre de 2016. Esta conferencia proporcionará un foro para que académicos, investigadores e ingenieros compartan e intercambien experiencias de I+D tanto en estudios teóricos como en aplicaciones prácticas de la técnica ELM y el aprendizaje cerebral. Las Máquinas de Aprendizaje Extremo (ELM) tienen como objetivo romper las barreras entre las técnicas de aprendizaje artificial convencionales y los mecanismos de aprendizaje biológico. ELM representa un conjunto de técnicas de aprendizaje (automático o posiblemente biológico) en las que no es necesario ajustar las neuronas ocultas. Las teorías de aprendizaje ELM muestran que se pueden derivar algoritmos de aprendizaje muy efectivos basados ​​en neuronas ocultas generadas aleatoriamente (con casi cualquier función de activación por partes no lineal), independientemente de los datos de entrenamiento y los entornos de aplicación. Cada vez más, la evidencia de la neurociencia sugiere que se aplican principios similares en los sistemas de aprendizaje biológico. Las teorías y algoritmos ELM sostienen que las "neuronas ocultas aleatorias" capturan un aspecto esencial de los mecanismos de aprendizaje biológico, así como la sensación intuitiva de que la eficiencia del aprendizaje biológico no necesita depender de la potencia de cálculo de las neuronas. Las teorías ELM, por tanto, apuntan a posibles razones por las que el cerebro es más inteligente y eficaz que los ordenadores actuales. ELM ofrece ventajas significativas sobre los algoritmos de aprendizaje de redes neuronales convencionales, como una velocidad de aprendizaje rápida, facilidad de implementación y una necesidad mínima de intervención humana. ELM también muestra potencial como una técnica alternativa viable para la computación a gran escala y la inteligencia artificial. Este libro cubre las teorías, los algoritmos y las aplicaciones de ELM. Ofrece a los lectores una visión de los avances más recientes de ELM. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Proceedings of ELM-2016 [documento electrónico] / Cao, Jiuwen, ; Cambria, Erik, ; Lendasse, Amaury, ; Miche, Yoan, ; Vong, Chi Man,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XIII, 285 p. 143 ilustraciones, 126 ilustraciones en color. ISBN : 978-3-319-57421-9 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia Computacional  Inteligencia artificial Clasificación: Resumen: Este libro contiene algunos artículos seleccionados de la Conferencia Internacional sobre Máquinas de Aprendizaje Extremo 2016, que se celebró en Singapur del 13 al 15 de diciembre de 2016. Esta conferencia proporcionará un foro para que académicos, investigadores e ingenieros compartan e intercambien experiencias de I+D tanto en estudios teóricos como en aplicaciones prácticas de la técnica ELM y el aprendizaje cerebral. Las Máquinas de Aprendizaje Extremo (ELM) tienen como objetivo romper las barreras entre las técnicas de aprendizaje artificial convencionales y los mecanismos de aprendizaje biológico. ELM representa un conjunto de técnicas de aprendizaje (automático o posiblemente biológico) en las que no es necesario ajustar las neuronas ocultas. Las teorías de aprendizaje ELM muestran que se pueden derivar algoritmos de aprendizaje muy efectivos basados ​​en neuronas ocultas generadas aleatoriamente (con casi cualquier función de activación por partes no lineal), independientemente de los datos de entrenamiento y los entornos de aplicación. Cada vez más, la evidencia de la neurociencia sugiere que se aplican principios similares en los sistemas de aprendizaje biológico. Las teorías y algoritmos ELM sostienen que las "neuronas ocultas aleatorias" capturan un aspecto esencial de los mecanismos de aprendizaje biológico, así como la sensación intuitiva de que la eficiencia del aprendizaje biológico no necesita depender de la potencia de cálculo de las neuronas. Las teorías ELM, por tanto, apuntan a posibles razones por las que el cerebro es más inteligente y eficaz que los ordenadores actuales. ELM ofrece ventajas significativas sobre los algoritmos de aprendizaje de redes neuronales convencionales, como una velocidad de aprendizaje rápida, facilidad de implementación y una necesidad mínima de intervención humana. ELM también muestra potencial como una técnica alternativa viable para la computación a gran escala y la inteligencia artificial. Este libro cubre las teorías, los algoritmos y las aplicaciones de ELM. Ofrece a los lectores una visión de los avances más recientes de ELM. 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