Autor Herrera, Francisco
|
|
Documentos disponibles escritos por este autor (3)
Hacer una sugerencia Refinar búsqueda18th Conference of the Spanish Association for Artificial Intelligence, CAEPIA 2018, Granada, Spain, October 23–26, 2018, Proceedings / Herrera, Francisco ; Damas, Sergio ; Montes, Rosana ; Alonso, Sergio ; Cordón, Óscar ; González, Antonio. ; Troncoso, Alicia
Título : 18th Conference of the Spanish Association for Artificial Intelligence, CAEPIA 2018, Granada, Spain, October 23–26, 2018, Proceedings Tipo de documento: documento electrónico Autores: Herrera, Francisco, ; Damas, Sergio, ; Montes, Rosana, ; Alonso, Sergio, ; Cordón, Óscar, ; González, Antonio., ; Troncoso, Alicia, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXII, 396 p. 86 ilustraciones ISBN/ISSN/DL: 978-3-030-00374-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Algoritmos Informática Matemáticas discretas Inteligencia artificial Visión por computador Ciencias de la Computación Matemáticas discretas en informática Ciencia de los datos Modelos de Computación Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas de la XVIII Conferencia de la Asociación Española de Inteligencia Artificial, CAEPIA 2018, celebrada en Granada, España, en octubre de 2018. Los 36 artículos completos presentados fueron cuidadosamente seleccionados entre 240 presentaciones. El Congreso de la Asociación Española de Inteligencia Artificial (CAEPIA) es un foro bienal abierto a investigadores de todo el mundo para presentar y debatir sus últimos avances científicos y tecnológicos en Inteligencia Antificial (IA). Se solicita a los autores que envíen artículos originales inéditos que describan investigaciones relevantes sobre cuestiones de IA desde todos los puntos de vista: formal, metodológico, técnico o aplicado. Nota de contenido: Artificial Intelligence -- Fuzzy Sets and Systems -- Evolutionary Algorithms -- Data Mining -- Applications. 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 18th Conference of the Spanish Association for Artificial Intelligence, CAEPIA 2018, Granada, Spain, October 23–26, 2018, Proceedings [documento electrónico] / Herrera, Francisco, ; Damas, Sergio, ; Montes, Rosana, ; Alonso, Sergio, ; Cordón, Óscar, ; González, Antonio., ; Troncoso, Alicia, . - 1 ed. . - [s.l.] : Springer, 2018 . - XXII, 396 p. 86 ilustraciones.
ISBN : 978-3-030-00374-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Algoritmos Informática Matemáticas discretas Inteligencia artificial Visión por computador Ciencias de la Computación Matemáticas discretas en informática Ciencia de los datos Modelos de Computación Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas de la XVIII Conferencia de la Asociación Española de Inteligencia Artificial, CAEPIA 2018, celebrada en Granada, España, en octubre de 2018. Los 36 artículos completos presentados fueron cuidadosamente seleccionados entre 240 presentaciones. El Congreso de la Asociación Española de Inteligencia Artificial (CAEPIA) es un foro bienal abierto a investigadores de todo el mundo para presentar y debatir sus últimos avances científicos y tecnológicos en Inteligencia Antificial (IA). Se solicita a los autores que envíen artículos originales inéditos que describan investigaciones relevantes sobre cuestiones de IA desde todos los puntos de vista: formal, metodológico, técnico o aplicado. Nota de contenido: Artificial Intelligence -- Fuzzy Sets and Systems -- Evolutionary Algorithms -- Data Mining -- Applications. 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 : Big Data Preprocessing : Enabling Smart Data Tipo de documento: documento electrónico Autores: Luengo, Julián, Autor ; García-Gil, Diego, Autor ; Ramírez-Gallego, Sergio, Autor ; García, Salvador., Autor ; Herrera, Francisco, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 186 p. 57 ilustraciones, 54 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-39105-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Grandes datos Aprendizaje automático Red de computadoras Redes de comunicación informática Índice Dewey: 005.7 Datos en sistemas de computadoras Resumen: Este libro ofrece una descripción general comprensible del preprocesamiento de Big Data, que incluye una descripción formal de cada problema. También se centra en las soluciones propuestas más relevantes. Este libro ilustra implementaciones reales de algoritmos que ayudan al lector a lidiar con estos problemas. Este libro enfatiza la brecha que existe entre los grandes datos sin procesar y los requisitos de datos de calidad que exigen las empresas. A esto se le llama Smart Data, y para lograr Smart Data el preprocesamiento es un paso clave, donde se realizan las imperfecciones, tareas de integración y otros procesos para eliminar información superflua. Los autores presentan el concepto de Smart Data a través del preprocesamiento de datos en escenarios de Big Data y lo conectan con los paradigmas emergentes de IoT y Edge Computing, donde los puntos finales generan Smart Data sin depender completamente de la nube. Finalmente, este libro proporciona algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el preprocesamiento de Big Data. En concreto, se considera la relación con el Deep Learning (como una técnica que también depende de grandes volúmenes de datos), la dificultad de encontrar la adecuada selección y concatenación de las técnicas de preprocesamiento aplicadas y algunos otros problemas abiertos. Los profesionales y científicos de datos que trabajan en este campo y desean introducirse en el preprocesamiento en escenarios de grandes volúmenes de datos querrán comprar este libro. Los investigadores que trabajan en este campo y quieran saber qué algoritmos se implementan actualmente para ayudar en sus investigaciones, también pueden estar interesados en este libro. Nota de contenido: 1. Introduction -- 2. Big Data: Technologies and Tools -- 3. Smart Data -- 4. Dimensionality Reduction for Big Data -- 5. Data Reduction for Big Data -- 6. Imperfect Big Data -- 7. Big Data Discretization -- 8. Imbalanced Data Preprocessing for Big Data -- 9. Big Data Software -- 10. Final Thoughts: From Big Data to Smart Data.-. 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 Big Data Preprocessing : Enabling Smart Data [documento electrónico] / Luengo, Julián, Autor ; García-Gil, Diego, Autor ; Ramírez-Gallego, Sergio, Autor ; García, Salvador., Autor ; Herrera, Francisco, Autor . - 1 ed. . - [s.l.] : Springer, 2020 . - XIII, 186 p. 57 ilustraciones, 54 ilustraciones en color.
ISBN : 978-3-030-39105-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Grandes datos Aprendizaje automático Red de computadoras Redes de comunicación informática Índice Dewey: 005.7 Datos en sistemas de computadoras Resumen: Este libro ofrece una descripción general comprensible del preprocesamiento de Big Data, que incluye una descripción formal de cada problema. También se centra en las soluciones propuestas más relevantes. Este libro ilustra implementaciones reales de algoritmos que ayudan al lector a lidiar con estos problemas. Este libro enfatiza la brecha que existe entre los grandes datos sin procesar y los requisitos de datos de calidad que exigen las empresas. A esto se le llama Smart Data, y para lograr Smart Data el preprocesamiento es un paso clave, donde se realizan las imperfecciones, tareas de integración y otros procesos para eliminar información superflua. Los autores presentan el concepto de Smart Data a través del preprocesamiento de datos en escenarios de Big Data y lo conectan con los paradigmas emergentes de IoT y Edge Computing, donde los puntos finales generan Smart Data sin depender completamente de la nube. Finalmente, este libro proporciona algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el preprocesamiento de Big Data. En concreto, se considera la relación con el Deep Learning (como una técnica que también depende de grandes volúmenes de datos), la dificultad de encontrar la adecuada selección y concatenación de las técnicas de preprocesamiento aplicadas y algunos otros problemas abiertos. Los profesionales y científicos de datos que trabajan en este campo y desean introducirse en el preprocesamiento en escenarios de grandes volúmenes de datos querrán comprar este libro. Los investigadores que trabajan en este campo y quieran saber qué algoritmos se implementan actualmente para ayudar en sus investigaciones, también pueden estar interesados en este libro. Nota de contenido: 1. Introduction -- 2. Big Data: Technologies and Tools -- 3. Smart Data -- 4. Dimensionality Reduction for Big Data -- 5. Data Reduction for Big Data -- 6. Imperfect Big Data -- 7. Big Data Discretization -- 8. Imbalanced Data Preprocessing for Big Data -- 9. Big Data Software -- 10. Final Thoughts: From Big Data to Smart Data.-. 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 : Learning from Imbalanced Data Sets Tipo de documento: documento electrónico Autores: Fernández, Alberto, Autor ; García, Salvador., Autor ; Galar, Mikel, Autor ; Prati, Ronaldo C., Autor ; Krawczyk, Bartosz, Autor ; Herrera, Francisco, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-98074-4 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 artificial Red de computadoras Redes de comunicación informática Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . Nota de contenido: 1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . 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 Learning from Imbalanced Data Sets [documento electrónico] / Fernández, Alberto, Autor ; García, Salvador., Autor ; Galar, Mikel, Autor ; Prati, Ronaldo C., Autor ; Krawczyk, Bartosz, Autor ; Herrera, Francisco, Autor . - 1 ed. . - [s.l.] : Springer, 2018 . - XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color.
ISBN : 978-3-319-98074-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Red de computadoras Redes de comunicación informática Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . Nota de contenido: 1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . 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
