Automated Machine Learning / Hutter, Frank ; Kotthoff, Lars ; Vanschoren, Joaquin  

Público ISBD Ningún comentario para este registro. Título : Automated Machine Learning : Methods, Systems, Challenges Tipo de documento: documento electrónico Autores: Hutter, Frank, ; Kotthoff, Lars, ; Vanschoren, Joaquin, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XIV, 219 p. 54 ilustraciones, 45 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-05318-5 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  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro de acceso abierto presenta la primera descripción general completa de los métodos generales de aprendizaje automático automatizado (AutoML), recopila descripciones de sistemas existentes basados ​​en estos métodos y analiza la primera serie de desafíos internacionales de los sistemas AutoML. El reciente éxito de las aplicaciones comerciales de ML y el rápido crecimiento del campo han creado una gran demanda de métodos de ML disponibles en el mercado que puedan usarse fácilmente y sin conocimientos expertos. Sin embargo, muchos de los éxitos recientes del aprendizaje automático dependen fundamentalmente de expertos humanos, que seleccionan manualmente las arquitecturas de aprendizaje automático apropiadas (arquitecturas de aprendizaje profundo o flujos de trabajo de aprendizaje automático más tradicionales) y sus hiperparámetros. Para superar este problema, el campo de AutoML apunta a una automatización progresiva del aprendizaje automático, basada en principios de optimización y aprendizaje automático. Este libro sirve como punto de entrada a este campo de rápido desarrollo tanto para investigadores como para estudiantes avanzados, además de proporcionar una referencia para los profesionales que deseen utilizar AutoML en su trabajo. Nota de contenido: 1 Hyperparameter Optimization -- 2 Meta-Learning -- 3 Neural Architecture Search -- 4 Auto-WEKA -- 5 Hyperopt-Sklearn -- 6 Auto-sklearn -- 7 Towards Automatically-Tuned Deep Neural Networks -- 8 TPOT -- 9 The Automatic Statistician -- 10 AutoML Challenges. 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 Automated Machine Learning : Methods, Systems, Challenges [documento electrónico] / Hutter, Frank, ; Kotthoff, Lars, ; Vanschoren, Joaquin,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XIV, 219 p. 54 ilustraciones, 45 ilustraciones en color. ISBN : 978-3-030-05318-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro de acceso abierto presenta la primera descripción general completa de los métodos generales de aprendizaje automático automatizado (AutoML), recopila descripciones de sistemas existentes basados ​​en estos métodos y analiza la primera serie de desafíos internacionales de los sistemas AutoML. El reciente éxito de las aplicaciones comerciales de ML y el rápido crecimiento del campo han creado una gran demanda de métodos de ML disponibles en el mercado que puedan usarse fácilmente y sin conocimientos expertos. Sin embargo, muchos de los éxitos recientes del aprendizaje automático dependen fundamentalmente de expertos humanos, que seleccionan manualmente las arquitecturas de aprendizaje automático apropiadas (arquitecturas de aprendizaje profundo o flujos de trabajo de aprendizaje automático más tradicionales) y sus hiperparámetros. Para superar este problema, el campo de AutoML apunta a una automatización progresiva del aprendizaje automático, basada en principios de optimización y aprendizaje automático. Este libro sirve como punto de entrada a este campo de rápido desarrollo tanto para investigadores como para estudiantes avanzados, además de proporcionar una referencia para los profesionales que deseen utilizar AutoML en su trabajo. Nota de contenido: 1 Hyperparameter Optimization -- 2 Meta-Learning -- 3 Neural Architecture Search -- 4 Auto-WEKA -- 5 Hyperopt-Sklearn -- 6 Auto-sklearn -- 7 Towards Automatically-Tuned Deep Neural Networks -- 8 TPOT -- 9 The Automatic Statistician -- 10 AutoML Challenges. 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

---

1 (1 - 1 / 1) Par page : 25 50 100 200