Indexaxión 006.31 : Máquina de aprendizaje
006 Ciencia de los computadores (Métodos especiales de computador) Documentos en la biblioteca con la clasificación 006.31 (57)
Hacer una sugerencia Refinar búsqueda
Título : 3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods Tipo de documento: documento electrónico Autores: Liu, Shan, Autor ; Zhang, Min, Autor ; Kadam, Pranav, Autor ; Kuo, C.-C. Jay, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-89180-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artículos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden específico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavía se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodología), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difíciles de visión por computadora. Nota de contenido: I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i 3D Point Cloud Analysis : Traditional, Deep Learning, and Explainable Machine Learning Methods [documento electrónico] / Liu, Shan, Autor ; Zhang, Min, Autor ; Kadam, Pranav, Autor ; Kuo, C.-C. Jay, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - XIV, 146 p. 92 ilustraciones, 88 ilustraciones en color.
ISBN : 978-3-030-89180-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Inteligencia artificial Sistemas de reconocimiento de patrones Procesamiento de imágenes Visión por computador Reconocimiento de patrones automatizado Imágenes por computadora visión reconocimiento de patrones y gráficos Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro presenta la nube de puntos; sus aplicaciones en la industria y los conjuntos de datos más utilizados. Se centra principalmente en tres tareas de visión por computadora: clasificación, segmentación y registro de nubes de puntos, que son fundamentales para cualquier sistema basado en nubes de puntos. Una descripción general de los métodos tradicionales de procesamiento de nubes de puntos ayuda a los lectores a adquirir conocimientos básicos rápidamente, mientras que el aprendizaje profundo sobre los métodos de nubes de puntos incluye un análisis exhaustivo de los avances de los últimos años. Luego se presentan en detalle nuevos métodos explicables de aprendizaje automático para el aprendizaje de nubes de puntos, que son livianos y fáciles de entrenar. Se proporcionan evaluaciones de desempeño cuantitativas y cualitativas. La comparación y el análisis entre los tres tipos de métodos se brindan para ayudar a los lectores a tener una comprensión más profunda. Con la rica literatura sobre aprendizaje profundo en visión 2D, una inclinación natural de los investigadores de visión 3D es desarrollar métodos de aprendizaje profundo para el procesamiento de nubes de puntos. El aprendizaje profundo en nubes de puntos ha ganado popularidad desde 2017 y el número de artículos de conferencias en esta área continúa aumentando. A diferencia de las imágenes 2D, las nubes de puntos no tienen un orden específico, lo que hace que el procesamiento de nubes de puntos mediante aprendizaje profundo sea bastante desafiante. Además, debido a la naturaleza geométrica de las nubes de puntos, los métodos tradicionales todavía se utilizan ampliamente en la industria. Por lo tanto, este libro tiene como objetivo familiarizar a los lectores con esta área proporcionando una descripción general completa de los métodos tradicionales y los métodos de aprendizaje profundo de última generación. Una parte importante de este libro se centra en el aprendizaje automático explicable como un enfoque diferente al aprendizaje profundo. Los métodos explicables de aprendizaje automático ofrecen una serie de ventajas sobre los métodos tradicionales y los métodos de aprendizaje profundo. Este es el punto culminante y la novedad principal del libro. Al abordar tres tareas de investigación (reconocimiento, segmentación y registro de objetos 3D utilizando nuestra metodología), los lectores tendrán una idea de cómo resolver problemas de una manera diferente y podrán aplicar los marcos a otras tareas de visión por computadora en 3D, lo que les brindará inspiración. para sus propias investigaciones futuras. Se proporcionan numerosos experimentos, análisis y comparaciones sobre tres tareas de visión por computadora en 3D (reconocimiento, segmentación, detección y registro de objetos) para que los lectores puedan aprender a resolver problemas difíciles de visión por computadora. Nota de contenido: I. Introduction -- II. Traditional point cloud analysis -- III. Deep-learning-based point cloud analysis -- IV. Explainable machine learning methods for point cloud analysis -- V. Conclusion and future work. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Accelerated Optimization for Machine Learning : First-Order Algorithms Tipo de documento: documento electrónico Autores: Lin, Zhouchen, Autor ; Li, Huan, Autor ; Fang, Cong, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2020 Número de páginas: XXIV, 275 p. 36 ilustraciones ISBN/ISSN/DL: 978-981-1529108-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Optimización matemática Informática Matemáticas Mejoramiento Aplicaciones matemáticas en informática Matemática Computacional y Análisis Numérico Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro sobre optimización incluye prólogos de Michael I. Jordan, Zongben Xu y Zhi-Quan Luo. El aprendizaje automático depende en gran medida de la optimización para resolver problemas con sus modelos de aprendizaje, y los algoritmos de optimización de primer orden son los enfoques principales. La aceleración de los algoritmos de optimización de primer orden es crucial para la eficiencia del aprendizaje automático. Escrito por destacados expertos en el campo, este libro proporciona una introducción completa y una revisión de última generación de los algoritmos de optimización acelerada de primer orden para el aprendizaje automático. Se analiza una variedad de métodos, incluidos algoritmos deterministas y estocásticos, donde los algoritmos pueden ser sincrónicos o asincrónicos, para problemas restringidos y sin restricciones, que pueden ser convexos o no convexos. Al ofrecer una rica combinación de ideas, teorías y pruebas, el libro está actualizado y es autónomo. Es un excelente recurso de referencia para los usuarios que buscan algoritmos de optimización más rápidos, así como para estudiantes graduados e investigadores que desean alcanzar las fronteras de la optimización en el aprendizaje automático en poco tiempo. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Accelerated Algorithms for Unconstrained Convex Optimization -- Chapter 3. Accelerated Algorithms for Constrained Convex Optimization -- Chapter 4. Accelerated Algorithms for Nonconvex Optimization -- Chapter 5. Accelerated Stochastic Algorithms -- Chapter 6. Accelerated Paralleling Algorithms -- Chapter 7. Conclusions.-. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Accelerated Optimization for Machine Learning : First-Order Algorithms [documento electrónico] / Lin, Zhouchen, Autor ; Li, Huan, Autor ; Fang, Cong, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2020 . - XXIV, 275 p. 36 ilustraciones.
ISBN : 978-981-1529108--
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Optimización matemática Informática Matemáticas Mejoramiento Aplicaciones matemáticas en informática Matemática Computacional y Análisis Numérico Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Este libro sobre optimización incluye prólogos de Michael I. Jordan, Zongben Xu y Zhi-Quan Luo. El aprendizaje automático depende en gran medida de la optimización para resolver problemas con sus modelos de aprendizaje, y los algoritmos de optimización de primer orden son los enfoques principales. La aceleración de los algoritmos de optimización de primer orden es crucial para la eficiencia del aprendizaje automático. Escrito por destacados expertos en el campo, este libro proporciona una introducción completa y una revisión de última generación de los algoritmos de optimización acelerada de primer orden para el aprendizaje automático. Se analiza una variedad de métodos, incluidos algoritmos deterministas y estocásticos, donde los algoritmos pueden ser sincrónicos o asincrónicos, para problemas restringidos y sin restricciones, que pueden ser convexos o no convexos. Al ofrecer una rica combinación de ideas, teorías y pruebas, el libro está actualizado y es autónomo. Es un excelente recurso de referencia para los usuarios que buscan algoritmos de optimización más rápidos, así como para estudiantes graduados e investigadores que desean alcanzar las fronteras de la optimización en el aprendizaje automático en poco tiempo. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Accelerated Algorithms for Unconstrained Convex Optimization -- Chapter 3. Accelerated Algorithms for Constrained Convex Optimization -- Chapter 4. Accelerated Algorithms for Nonconvex Optimization -- Chapter 5. Accelerated Stochastic Algorithms -- Chapter 6. Accelerated Paralleling Algorithms -- Chapter 7. Conclusions.-. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR Tipo de documento: documento electrónico Autores: Korstanje, Joos, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-7150-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto específico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorías de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR [documento electrónico] / Korstanje, Joos, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color.
ISBN : 978-1-4842-7150-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto específico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorías de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Analog IC Placement Generation via Neural Networks from Unlabeled Data Tipo de documento: documento electrónico Autores: Gusmão, António, Autor ; Horta, Nuno, Autor ; Lourenço, Nuno, Autor ; Martins, Ricardo, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-50061-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquí se refleja principalmente en dos de las características del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topología de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topología. Por medio de estas descripciones, una topología general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologías de entrenamiento. En el capítulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologías más nuevas y reutilizar el conocimiento adquirido. Por último, la metodología utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Analog IC Placement Generation via Neural Networks from Unlabeled Data [documento electrónico] / Gusmão, António, Autor ; Horta, Nuno, Autor ; Lourenço, Nuno, Autor ; Martins, Ricardo, Autor . - 1 ed. . - [s.l.] : Springer, 2020 . - XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color.
ISBN : 978-3-030-50061-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquí se refleja principalmente en dos de las características del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topología de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topología. Por medio de estas descripciones, una topología general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologías de entrenamiento. En el capítulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologías más nuevas y reutilizar el conocimiento adquirido. Por último, la metodología utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Artificial Neural Networks with TensorFlow 2 : ANN Architecture Machine Learning Projects Tipo de documento: documento electrónico Autores: Sarang, Poornachandra, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XXIX, 726 p. 237 ilustraciones ISBN/ISSN/DL: 978-1-4842-6150-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Desarrollar modelos de aprendizaje automático en varios dominios. Este libro ofrece una fuente única que proporciona una cobertura completa de las capacidades de TensorFlow 2 mediante el uso de proyectos realistas basados en escenarios. Después de conocer las novedades de TensorFlow 2, se sumergirá directamente en el desarrollo de modelos de aprendizaje automático a través de proyectos aplicables. Este libro cubre una amplia variedad de arquitecturas ANN, desde trabajar con una red secuencial simple hasta CNN, RNN, LSTM, DCGAN avanzadas, etc. Se dedica un capítulo completo a cada tipo de red y cada capítulo consta de un proyecto completo que describe la arquitectura de red utilizada, la teoría detrás de esa arquitectura, qué conjunto de datos se utiliza, el preprocesamiento de datos, el entrenamiento del modelo, las pruebas y las optimizaciones de rendimiento. y análisis. Este enfoque práctico se puede utilizar desde el principio hasta el final o, si ya está familiarizado con los modelos básicos de ML, puede sumergirse directamente en la aplicación que le interese. Las explicaciones línea por línea sobre los principales segmentos de código le ayudan a completar los detalles a medida que trabaja y el código fuente completo del proyecto está disponible en línea para aprender y experimentar más. Con las redes neuronales artificiales con TensorFlow 2, verá cuán amplia es la gama de capacidades de TensorFlow. Usted podrá: Desarrollar aplicaciones de aprendizaje automático Traducir idiomas utilizando redes neuronales Componer imágenes con transferencia de estilo. Nota de contenido: Chapter 1: TensorFlow Jump Start -- Chapter 2: A Closer Look at TensorFlow -- Chapter 3: Deep Dive in tf.keras -- Chapter 4: Transfer Learning -- Chapter 5: Neutral Networks for Regression -- Chapter 6: Estimators -- Chapter 7: Text Generation -- Chapter 8: Language Translation -- Chapter 9: Natural Langauge -- Chapter 10: Image Captioning -- Chapter 11: Time Series -- Chapter 12: Style Transfer -- Chapter 13: Image Generation- Chapter 14: Image Translation. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Artificial Neural Networks with TensorFlow 2 : ANN Architecture Machine Learning Projects [documento electrónico] / Sarang, Poornachandra, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XXIX, 726 p. 237 ilustraciones.
ISBN : 978-1-4842-6150-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Desarrollar modelos de aprendizaje automático en varios dominios. Este libro ofrece una fuente única que proporciona una cobertura completa de las capacidades de TensorFlow 2 mediante el uso de proyectos realistas basados en escenarios. Después de conocer las novedades de TensorFlow 2, se sumergirá directamente en el desarrollo de modelos de aprendizaje automático a través de proyectos aplicables. Este libro cubre una amplia variedad de arquitecturas ANN, desde trabajar con una red secuencial simple hasta CNN, RNN, LSTM, DCGAN avanzadas, etc. Se dedica un capítulo completo a cada tipo de red y cada capítulo consta de un proyecto completo que describe la arquitectura de red utilizada, la teoría detrás de esa arquitectura, qué conjunto de datos se utiliza, el preprocesamiento de datos, el entrenamiento del modelo, las pruebas y las optimizaciones de rendimiento. y análisis. Este enfoque práctico se puede utilizar desde el principio hasta el final o, si ya está familiarizado con los modelos básicos de ML, puede sumergirse directamente en la aplicación que le interese. Las explicaciones línea por línea sobre los principales segmentos de código le ayudan a completar los detalles a medida que trabaja y el código fuente completo del proyecto está disponible en línea para aprender y experimentar más. Con las redes neuronales artificiales con TensorFlow 2, verá cuán amplia es la gama de capacidades de TensorFlow. Usted podrá: Desarrollar aplicaciones de aprendizaje automático Traducir idiomas utilizando redes neuronales Componer imágenes con transferencia de estilo. Nota de contenido: Chapter 1: TensorFlow Jump Start -- Chapter 2: A Closer Look at TensorFlow -- Chapter 3: Deep Dive in tf.keras -- Chapter 4: Transfer Learning -- Chapter 5: Neutral Networks for Regression -- Chapter 6: Estimators -- Chapter 7: Text Generation -- Chapter 8: Language Translation -- Chapter 9: Natural Langauge -- Chapter 10: Image Captioning -- Chapter 11: Time Series -- Chapter 12: Style Transfer -- Chapter 13: Image Generation- Chapter 14: Image Translation. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
