| 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 |
|  |
Hacer una sugerencia Refinar búsqueda
