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

Público ISBD Ningún comentario para este registro. 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. Idioma : Inglés (eng) Palabras clave: Inteligencia Computacional  Inteligencia artificial Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book contains some selected papers from the International Conference on Extreme Learning Machine 2016, which was held in Singapore, December13-15, 2016. This conference will provide a forum for academics, researchers and engineers to share and exchange R&D experience on both theoretical studies and practical applications of the ELM technique and brain learning.  Extreme Learning Machines (ELM) aims to break the barriers between the conventional artificial learning techniques and biological learning mechanism. ELM represents a suite of (machine or possibly biological) learning techniques in which hidden neurons need not be tuned. ELM learning theories show that very effective learning algorithms can be derived based on randomly generated hidden neurons (with almost any nonlinear piecewise activation functions), independent of training data and application environments. Increasingly, evidence from neurosciencesuggests that similar principles apply in biological learning systems. ELM theories and algorithms argue that "random hidden neurons" capture an essential aspect of biological learning mechanisms as well as the intuitive sense that the efficiency of biological learning need not rely on computing power of neurons. ELM theories thus hint at possible reasons why the brain is more intelligent and effective than current computers. ELM offers significant advantages over conventional neural network learning algorithms such as fast learning speed, ease of implementation, and minimal need for human intervention. ELM also shows potential as a viable alternative technique for large‐scale computing and artificial intelligence. This book covers theories, algorithms ad applications of ELM. It gives readers a glance of the most recent advances of 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. Idioma : Inglés (eng) Palabras clave: Inteligencia Computacional  Inteligencia artificial Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book contains some selected papers from the International Conference on Extreme Learning Machine 2016, which was held in Singapore, December13-15, 2016. This conference will provide a forum for academics, researchers and engineers to share and exchange R&D experience on both theoretical studies and practical applications of the ELM technique and brain learning.  Extreme Learning Machines (ELM) aims to break the barriers between the conventional artificial learning techniques and biological learning mechanism. ELM represents a suite of (machine or possibly biological) learning techniques in which hidden neurons need not be tuned. ELM learning theories show that very effective learning algorithms can be derived based on randomly generated hidden neurons (with almost any nonlinear piecewise activation functions), independent of training data and application environments. Increasingly, evidence from neurosciencesuggests that similar principles apply in biological learning systems. ELM theories and algorithms argue that "random hidden neurons" capture an essential aspect of biological learning mechanisms as well as the intuitive sense that the efficiency of biological learning need not rely on computing power of neurons. ELM theories thus hint at possible reasons why the brain is more intelligent and effective than current computers. ELM offers significant advantages over conventional neural network learning algorithms such as fast learning speed, ease of implementation, and minimal need for human intervention. ELM also shows potential as a viable alternative technique for large‐scale computing and artificial intelligence. This book covers theories, algorithms ad applications of ELM. It gives readers a glance of the most recent advances of 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