| TÃtulo : |
Deep Learning: Fundamentals, Theory and Applications |
| Tipo de documento: |
documento electrónico |
| Autores: |
Huang, Kaizhu, ; Hussain, Amir, ; Wang, Qiu-Feng, ; Zhang, Rui, |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2019 |
| Número de páginas: |
VII, 163 p. 66 ilustraciones, 46 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-06073-2 |
| 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: |
BiologÃa Inteligencia artificial Algoritmos Investigación biomédica |
| Clasificación: |
610.72 |
| Resumen: |
El propósito de este volumen editado es proporcionar una descripción general completa de los fundamentos del aprendizaje profundo, presentar las arquitecturas y algoritmos de aprendizaje ampliamente utilizados, presentar sus últimos avances teóricos, discutir las plataformas y conjuntos de datos de aprendizaje profundo más populares y describir cuántas Las metodologÃas de aprendizaje profundo han aportado grandes avances en diversas aplicaciones de procesamiento de texto, imágenes, vÃdeo, voz y audio. El aprendizaje profundo (DL) ha sido ampliamente considerado como la próxima generación de metodologÃa de aprendizaje automático. DL atrae mucha atención y también logra un gran éxito en el reconocimiento de patrones, la visión por computadora, la extracción de datos y el descubrimiento de conocimientos debido a su gran capacidad para aprender caracterÃsticas abstractas de alto nivel a partir de una gran cantidad de datos. Este nuevo libro no sólo intentará proporcionar una hoja de ruta general o una guÃa para las metodologÃas actuales de aprendizaje profundo, sino que también presentará los desafÃos y visualizará nuevas perspectivas que pueden conducir a mayores avances en este campo. Este libro servirá como una referencia útil para estudiantes de último año (pregrado o posgrado) en ciencias de la computación, estadÃstica, ingenierÃa eléctrica, asà como para otros interesados ​​en estudiar o explorar el potencial de explotar los algoritmos de aprendizaje profundo. También será de especial interés para los investigadores en el área de la IA, el reconocimiento de patrones, el aprendizaje automático y áreas relacionadas, junto con los ingenieros interesados ​​en aplicar modelos de aprendizaje profundo en aplicaciones prácticas nuevas o existentes. |
| Nota de contenido: |
Preface -- Introduction to Deep Density Models with Latent Variables -- Deep RNN Architecture: Design and Evaluation -- Deep Learning Based Handwritten Chinese Character and Text Recognition -- Deep Learning and Its Applications to Natural Language Processing -- Deep Learning for Natural Language Processing -- Oceanic Data Analysis with Deep Learning Models -- Index. |
| Tipo de medio : |
Computadora |
| Summary : |
The purpose of this edited volume is to provide a comprehensive overview on the fundamentals of deep learning, introduce the widely-used learning architectures and algorithms, present its latest theoretical progress, discuss the most popular deep learning platforms and data sets, and describe how many deep learning methodologies have brought great breakthroughs in various applications of text, image, video, speech and audio processing. Deep learning (DL) has been widely considered as the next generation of machine learning methodology. DL attracts much attention and also achieves great success in pattern recognition, computer vision, data mining, and knowledge discovery due to its great capability in learning high-level abstract features from vast amount of data. This new book will not only attempt to provide a general roadmap or guidance to the current deep learning methodologies, but also present the challenges and envision new perspectives which may lead to further breakthroughs in this field. This book will serve as a useful reference for senior (undergraduate or graduate) students in computer science, statistics, electrical engineering, as well as others interested in studying or exploring the potential of exploiting deep learning algorithms. It will also be of special interest to researchers in the area of AI, pattern recognition, machine learning and related areas, alongside engineers interested in applying deep learning models in existing or new practical applications. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
Deep Learning: Fundamentals, Theory and Applications [documento electrónico] / Huang, Kaizhu, ; Hussain, Amir, ; Wang, Qiu-Feng, ; Zhang, Rui, . - 1 ed. . - [s.l.] : Springer, 2019 . - VII, 163 p. 66 ilustraciones, 46 ilustraciones en color. ISBN : 978-3-030-06073-2 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: |
BiologÃa Inteligencia artificial Algoritmos Investigación biomédica |
| Clasificación: |
610.72 |
| Resumen: |
El propósito de este volumen editado es proporcionar una descripción general completa de los fundamentos del aprendizaje profundo, presentar las arquitecturas y algoritmos de aprendizaje ampliamente utilizados, presentar sus últimos avances teóricos, discutir las plataformas y conjuntos de datos de aprendizaje profundo más populares y describir cuántas Las metodologÃas de aprendizaje profundo han aportado grandes avances en diversas aplicaciones de procesamiento de texto, imágenes, vÃdeo, voz y audio. El aprendizaje profundo (DL) ha sido ampliamente considerado como la próxima generación de metodologÃa de aprendizaje automático. DL atrae mucha atención y también logra un gran éxito en el reconocimiento de patrones, la visión por computadora, la extracción de datos y el descubrimiento de conocimientos debido a su gran capacidad para aprender caracterÃsticas abstractas de alto nivel a partir de una gran cantidad de datos. Este nuevo libro no sólo intentará proporcionar una hoja de ruta general o una guÃa para las metodologÃas actuales de aprendizaje profundo, sino que también presentará los desafÃos y visualizará nuevas perspectivas que pueden conducir a mayores avances en este campo. Este libro servirá como una referencia útil para estudiantes de último año (pregrado o posgrado) en ciencias de la computación, estadÃstica, ingenierÃa eléctrica, asà como para otros interesados ​​en estudiar o explorar el potencial de explotar los algoritmos de aprendizaje profundo. También será de especial interés para los investigadores en el área de la IA, el reconocimiento de patrones, el aprendizaje automático y áreas relacionadas, junto con los ingenieros interesados ​​en aplicar modelos de aprendizaje profundo en aplicaciones prácticas nuevas o existentes. |
| Nota de contenido: |
Preface -- Introduction to Deep Density Models with Latent Variables -- Deep RNN Architecture: Design and Evaluation -- Deep Learning Based Handwritten Chinese Character and Text Recognition -- Deep Learning and Its Applications to Natural Language Processing -- Deep Learning for Natural Language Processing -- Oceanic Data Analysis with Deep Learning Models -- Index. |
| Tipo de medio : |
Computadora |
| Summary : |
The purpose of this edited volume is to provide a comprehensive overview on the fundamentals of deep learning, introduce the widely-used learning architectures and algorithms, present its latest theoretical progress, discuss the most popular deep learning platforms and data sets, and describe how many deep learning methodologies have brought great breakthroughs in various applications of text, image, video, speech and audio processing. Deep learning (DL) has been widely considered as the next generation of machine learning methodology. DL attracts much attention and also achieves great success in pattern recognition, computer vision, data mining, and knowledge discovery due to its great capability in learning high-level abstract features from vast amount of data. This new book will not only attempt to provide a general roadmap or guidance to the current deep learning methodologies, but also present the challenges and envision new perspectives which may lead to further breakthroughs in this field. This book will serve as a useful reference for senior (undergraduate or graduate) students in computer science, statistics, electrical engineering, as well as others interested in studying or exploring the potential of exploiting deep learning algorithms. It will also be of special interest to researchers in the area of AI, pattern recognition, machine learning and related areas, alongside engineers interested in applying deep learning models in existing or new practical applications. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
|  |
Crear una solicitud de compra Refinar búsquedaAdvances in Brain Inspired Cognitive Systems / Ren, Jinchang ; Hussain, Amir ; Zhao, Huimin ; Huang, Kaizhu ; Zheng, Jiangbin ; Cai, Jun ; Chen, Rongjun ; Xiao, Yinyin
