An Introduction to Machine Learning / Kubat, Miroslav  

Público ISBD Ningún comentario para este registro. Título : An Introduction to Machine Learning Tipo de documento: documento electrónico Autores: Kubat, Miroslav, Mención de edición: 3 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XVIII, 458 p. 114 ilustraciones, 5 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-81935-4 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 artificial  Servicios de información empresarial  Informática  Estadistica matematica  Procesamiento de datos  Ciencias de la Computación  Inteligencia Computacional  TI en los negocios  Probabilidad y Estadística en Informática  Minería de datos y descubrimiento de conocimientos  Teoría de la Computación Clasificación: 006.3 Resumen: Este libro de texto ofrece una introducción completa a las técnicas y algoritmos de aprendizaje automático. Esta tercera edición cubre enfoques más nuevos que se han vuelto de gran actualidad, incluido el aprendizaje profundo y la codificación automática, información introductoria sobre el aprendizaje temporal y los modelos ocultos de Markov, y un tratamiento mucho más detallado del aprendizaje por refuerzo. El libro está escrito de una manera fácil de entender con muchos ejemplos e imágenes, y con muchos consejos prácticos y discusiones sobre aplicaciones simples. Los temas principales incluyen clasificadores bayesianos, clasificadores de vecinos más cercanos, clasificadores lineales y polinomiales, árboles de decisión, programas de inducción de reglas, redes neuronales artificiales, máquinas de vectores de soporte, algoritmos de refuerzo, aprendizaje no supervisado (incluidas redes Kohonen y codificación automática), aprendizaje profundo. , aprendizaje por refuerzo, aprendizaje temporal (incluida la memoria a corto plazo), modelos ocultos de Markov y el algoritmo genético. Se dedica especial atención a la evaluación del desempeño, la evaluación estadística y a muchas cuestiones prácticas que van desde la selección y construcción de características hasta el sesgo, el contexto, los dominios de etiquetas múltiples y el problema de las clases desequilibradas. Nota de contenido: 1. Ambitions and Goals of Machine Learning -- 2. Probabilities: Bayesian Classifiers -- 3. Similarities: Nearest-Neighbor Classifiers -- 4. Inter-Class Boundaries: Linear and Polynomial Classifiers -- 5. Decision Trees -- 6. Artificial Neural Networks -- 7. Computational Learning Theory -- 8. Experience from Historical Applications -- 9. Voting Assemblies and Boosting -- 10. Classifiers in the Form of Rule-Sets -- 11. Practical Issues to Know About -- 12. Performance Evaluation -- 13. Statistical Significance -- 14. Induction in Multi-Label Domains -- 15. Unsupervised Learning -- 16. Deep Learning -- 17. Reinforcement Learning: N-Armed Bandits and Episodes -- 18. Reinforcement Learning: From TD(0) to Deep-Q-Learning -- 19. Temporal Learning -- 20. Hidden Markov Models -- 21. Genetic Algorithm -- Bibliography -- Index. Tipo de medio : Computadora Summary : This textbook offers a comprehensive introduction to Machine Learning techniques and algorithms. This Third Edition covers newer approaches that have become highly topical, including deep learning, and auto-encoding, introductory information about temporal learning and hidden Markov models, and a much more detailed treatment of reinforcement learning. The book is written in an easy-to-understand manner with many examples and pictures, and with a lot of practical advice and discussions of simple applications. The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, rule-induction programs, artificial neural networks, support vector machines, boosting algorithms, unsupervised learning (including Kohonen networks and auto-encoding), deep learning, reinforcement learning, temporal learning (including long short-term memory), hidden Markov models, and the genetic algorithm. Special attention is devoted to performance evaluation, statistical assessment, and to many practical issues ranging from feature selection and feature construction to bias, context, multi-label domains, and the problem of imbalanced classes. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] An Introduction to Machine Learning [documento electrónico] / Kubat, Miroslav,  . -  3 ed.  . - [s.l.] : Springer, 2021 . - XVIII, 458 p. 114 ilustraciones, 5 ilustraciones en color. ISBN : 978-3-030-81935-4 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 artificial  Servicios de información empresarial  Informática  Estadistica matematica  Procesamiento de datos  Ciencias de la Computación  Inteligencia Computacional  TI en los negocios  Probabilidad y Estadística en Informática  Minería de datos y descubrimiento de conocimientos  Teoría de la Computación Clasificación: 006.3 Resumen: Este libro de texto ofrece una introducción completa a las técnicas y algoritmos de aprendizaje automático. Esta tercera edición cubre enfoques más nuevos que se han vuelto de gran actualidad, incluido el aprendizaje profundo y la codificación automática, información introductoria sobre el aprendizaje temporal y los modelos ocultos de Markov, y un tratamiento mucho más detallado del aprendizaje por refuerzo. El libro está escrito de una manera fácil de entender con muchos ejemplos e imágenes, y con muchos consejos prácticos y discusiones sobre aplicaciones simples. Los temas principales incluyen clasificadores bayesianos, clasificadores de vecinos más cercanos, clasificadores lineales y polinomiales, árboles de decisión, programas de inducción de reglas, redes neuronales artificiales, máquinas de vectores de soporte, algoritmos de refuerzo, aprendizaje no supervisado (incluidas redes Kohonen y codificación automática), aprendizaje profundo. , aprendizaje por refuerzo, aprendizaje temporal (incluida la memoria a corto plazo), modelos ocultos de Markov y el algoritmo genético. Se dedica especial atención a la evaluación del desempeño, la evaluación estadística y a muchas cuestiones prácticas que van desde la selección y construcción de características hasta el sesgo, el contexto, los dominios de etiquetas múltiples y el problema de las clases desequilibradas. Nota de contenido: 1. Ambitions and Goals of Machine Learning -- 2. Probabilities: Bayesian Classifiers -- 3. Similarities: Nearest-Neighbor Classifiers -- 4. Inter-Class Boundaries: Linear and Polynomial Classifiers -- 5. Decision Trees -- 6. Artificial Neural Networks -- 7. Computational Learning Theory -- 8. Experience from Historical Applications -- 9. Voting Assemblies and Boosting -- 10. Classifiers in the Form of Rule-Sets -- 11. Practical Issues to Know About -- 12. Performance Evaluation -- 13. Statistical Significance -- 14. Induction in Multi-Label Domains -- 15. Unsupervised Learning -- 16. Deep Learning -- 17. Reinforcement Learning: N-Armed Bandits and Episodes -- 18. Reinforcement Learning: From TD(0) to Deep-Q-Learning -- 19. Temporal Learning -- 20. Hidden Markov Models -- 21. Genetic Algorithm -- Bibliography -- Index. Tipo de medio : Computadora Summary : This textbook offers a comprehensive introduction to Machine Learning techniques and algorithms. This Third Edition covers newer approaches that have become highly topical, including deep learning, and auto-encoding, introductory information about temporal learning and hidden Markov models, and a much more detailed treatment of reinforcement learning. The book is written in an easy-to-understand manner with many examples and pictures, and with a lot of practical advice and discussions of simple applications. The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, rule-induction programs, artificial neural networks, support vector machines, boosting algorithms, unsupervised learning (including Kohonen networks and auto-encoding), deep learning, reinforcement learning, temporal learning (including long short-term memory), hidden Markov models, and the genetic algorithm. Special attention is devoted to performance evaluation, statistical assessment, and to many practical issues ranging from feature selection and feature construction to bias, context, multi-label domains, and the problem of imbalanced classes. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

An Introduction to Machine Learning / Kubat, Miroslav  

Público ISBD Ningún comentario para este registro. Título : An Introduction to Machine Learning Tipo de documento: documento electrónico Autores: Kubat, Miroslav, Mención de edición: 2 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XIII, 348 p. 85 ilustraciones, 3 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-63913-0 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: Procesamiento de datos  Inteligencia artificial  Investigación cuantitativa  Inteligencia Computacional  Minería de datos y descubrimiento de conocimientos  Análisis de datos y Big Data Clasificación: 6.312 Resumen: Este libro de texto presenta conceptos fundamentales de aprendizaje automático de una manera fácil de entender al brindar consejos prácticos, utilizar ejemplos sencillos y ofrecer debates interesantes sobre aplicaciones relevantes. Los temas principales incluyen clasificadores bayesianos, clasificadores de vecinos más cercanos, clasificadores lineales y polinomiales, árboles de decisión, redes neuronales y máquinas de vectores de soporte. Los capítulos posteriores muestran cómo combinar estas herramientas simples a modo de "impulso", cómo explotarlas en dominios más complicados y cómo abordar diversas cuestiones prácticas avanzadas. Un capítulo está dedicado a los algoritmos genéticos populares. Esta edición revisada contiene tres capítulos completamente nuevos sobre temas críticos relacionados con la aplicación pragmática del aprendizaje automático en la industria. Los capítulos examinan dominios de etiquetas múltiples, el aprendizaje no supervisado y su uso en el aprendizaje profundo, y enfoques lógicos para la inducción, así como la programación lógica inductiva. Se han ampliado numerosos capítulos y se ha mejorado la presentación del material. El libro contiene muchos ejercicios nuevos, numerosos ejemplos resueltos, experimentos que invitan a la reflexión y tareas informáticas para el trabajo independiente. Nota de contenido: 1 A Simple Machine-Learning Task -- 2 Probabilities: Bayesian Classifiers -- Similarities: Nearest-Neighbor Classifiers -- 4 Inter-Class Boundaries: Linear and Polynomial Classifiers -- 5 Artificial Neural Networks -- 6 Decision Trees -- 7 Computational Learning Theory -- 8 A Few Instructive Applications -- 9 Induction of Voting Assemblies -- 10 Some Practical Aspects to Know About -- 11 Performance Evaluation -- 12 Statistical Significance -- 13 Induction in Multi-Label Domains -- 14 Unsupervised Learning -- 15 Classifiers in the Form of Rulesets -- 16 The Genetic Algorithm -- 17 Reinforcement Learning. Tipo de medio : Computadora Summary : This textbook presents fundamental machine learning concepts in an easy to understand manner by providing practical advice, using straightforward examples, and offering engaging discussions of relevant applications. The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, neural networks, and support vector machines. Later chapters show how to combine these simple tools by way of "boosting," how to exploit them in more complicated domains, and how to deal with diverse advanced practical issues. One chapter is dedicated to the popular genetic algorithms. This revised edition contains three entirely new chapters on critical topics regarding the pragmatic application of machine learning in industry. The chapters examine multi-label domains, unsupervised learning and its use in deep learning, and logical approaches to induction as well as Inductive Logic Programming. Numerous chapters have been expanded, and the presentation of the material has been enhanced. The book contains many new exercises, numerous solved examples, thought-provoking experiments, and computer assignments for independent work. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] An Introduction to Machine Learning [documento electrónico] / Kubat, Miroslav,  . -  2 ed.  . - [s.l.] : Springer, 2017 . - XIII, 348 p. 85 ilustraciones, 3 ilustraciones en color. ISBN : 978-3-319-63913-0 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: Procesamiento de datos  Inteligencia artificial  Investigación cuantitativa  Inteligencia Computacional  Minería de datos y descubrimiento de conocimientos  Análisis de datos y Big Data Clasificación: 6.312 Resumen: Este libro de texto presenta conceptos fundamentales de aprendizaje automático de una manera fácil de entender al brindar consejos prácticos, utilizar ejemplos sencillos y ofrecer debates interesantes sobre aplicaciones relevantes. Los temas principales incluyen clasificadores bayesianos, clasificadores de vecinos más cercanos, clasificadores lineales y polinomiales, árboles de decisión, redes neuronales y máquinas de vectores de soporte. Los capítulos posteriores muestran cómo combinar estas herramientas simples a modo de "impulso", cómo explotarlas en dominios más complicados y cómo abordar diversas cuestiones prácticas avanzadas. Un capítulo está dedicado a los algoritmos genéticos populares. Esta edición revisada contiene tres capítulos completamente nuevos sobre temas críticos relacionados con la aplicación pragmática del aprendizaje automático en la industria. Los capítulos examinan dominios de etiquetas múltiples, el aprendizaje no supervisado y su uso en el aprendizaje profundo, y enfoques lógicos para la inducción, así como la programación lógica inductiva. Se han ampliado numerosos capítulos y se ha mejorado la presentación del material. El libro contiene muchos ejercicios nuevos, numerosos ejemplos resueltos, experimentos que invitan a la reflexión y tareas informáticas para el trabajo independiente. Nota de contenido: 1 A Simple Machine-Learning Task -- 2 Probabilities: Bayesian Classifiers -- Similarities: Nearest-Neighbor Classifiers -- 4 Inter-Class Boundaries: Linear and Polynomial Classifiers -- 5 Artificial Neural Networks -- 6 Decision Trees -- 7 Computational Learning Theory -- 8 A Few Instructive Applications -- 9 Induction of Voting Assemblies -- 10 Some Practical Aspects to Know About -- 11 Performance Evaluation -- 12 Statistical Significance -- 13 Induction in Multi-Label Domains -- 14 Unsupervised Learning -- 15 Classifiers in the Form of Rulesets -- 16 The Genetic Algorithm -- 17 Reinforcement Learning. Tipo de medio : Computadora Summary : This textbook presents fundamental machine learning concepts in an easy to understand manner by providing practical advice, using straightforward examples, and offering engaging discussions of relevant applications. The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, neural networks, and support vector machines. Later chapters show how to combine these simple tools by way of "boosting," how to exploit them in more complicated domains, and how to deal with diverse advanced practical issues. One chapter is dedicated to the popular genetic algorithms. This revised edition contains three entirely new chapters on critical topics regarding the pragmatic application of machine learning in industry. The chapters examine multi-label domains, unsupervised learning and its use in deep learning, and logical approaches to induction as well as Inductive Logic Programming. Numerous chapters have been expanded, and the presentation of the material has been enhanced. The book contains many new exercises, numerous solved examples, thought-provoking experiments, and computer assignments for independent work. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 2 / 2) Ver por página : 25 50 100 200