Autor Vanschoren, Joaquin
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsqueda21st International Conference, DS 2018, Limassol, Cyprus, October 29–31, 2018, Proceedings / Soldatova, Larisa ; Vanschoren, Joaquin ; Papadopoulos, George ; Ceci, Michelangelo
Título : 21st International Conference, DS 2018, Limassol, Cyprus, October 29–31, 2018, Proceedings Tipo de documento: documento electrónico Autores: Soldatova, Larisa, ; Vanschoren, Joaquin, ; Papadopoulos, George, ; Ceci, Michelangelo, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXI, 482 p. 137 ilustraciones ISBN/ISSN/DL: 978-3-030-01771-2 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 Procesamiento de datos Sistemas de almacenamiento y recuperación de información Ciencias sociales Minería de datos y descubrimiento de conocimientos Almacenamiento y recuperación de información Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas de la 21.ª Conferencia Internacional sobre Ciencia del Descubrimiento, DS 2018, celebrada en Limassol, Chipre, en octubre de 2018, en el mismo lugar que el Simposio Internacional sobre Metodologías para Sistemas Inteligentes, ISMIS 2018. Los 30 artículos completos presentados junto con 5 resúmenes de charlas invitadas en este volumen fueron cuidadosamente revisados y seleccionados de 71 presentaciones. El alcance de la conferencia incluye el desarrollo y análisis de métodos para descubrir conocimiento científico, provenientes del aprendizaje automático, la minería de datos, el análisis inteligente de datos, el análisis de big data, así como su aplicación en varios dominios científicos. Los artículos están organizados en las siguientes secciones temáticas: Clasificación; metaaprendizaje; aprendizaje de refuerzo; flujos y series temporales; descubrimiento de subgrupos y subgrafos; minería de texto; y aplicaciones. Nota de contenido: Classification -- Meta-Learning -- Reinforcement Learning -- Streams and Time Series -- Subgroup and Subgraph Discovery -- Text 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 21st International Conference, DS 2018, Limassol, Cyprus, October 29–31, 2018, Proceedings [documento electrónico] / Soldatova, Larisa, ; Vanschoren, Joaquin, ; Papadopoulos, George, ; Ceci, Michelangelo, . - 1 ed. . - [s.l.] : Springer, 2018 . - XXI, 482 p. 137 ilustraciones.
ISBN : 978-3-030-01771-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Procesamiento de datos Sistemas de almacenamiento y recuperación de información Ciencias sociales Minería de datos y descubrimiento de conocimientos Almacenamiento y recuperación de información Aplicación informática en ciencias sociales y del comportamiento Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas de la 21.ª Conferencia Internacional sobre Ciencia del Descubrimiento, DS 2018, celebrada en Limassol, Chipre, en octubre de 2018, en el mismo lugar que el Simposio Internacional sobre Metodologías para Sistemas Inteligentes, ISMIS 2018. Los 30 artículos completos presentados junto con 5 resúmenes de charlas invitadas en este volumen fueron cuidadosamente revisados y seleccionados de 71 presentaciones. El alcance de la conferencia incluye el desarrollo y análisis de métodos para descubrir conocimiento científico, provenientes del aprendizaje automático, la minería de datos, el análisis inteligente de datos, el análisis de big data, así como su aplicación en varios dominios científicos. Los artículos están organizados en las siguientes secciones temáticas: Clasificación; metaaprendizaje; aprendizaje de refuerzo; flujos y series temporales; descubrimiento de subgrupos y subgrafos; minería de texto; y aplicaciones. Nota de contenido: Classification -- Meta-Learning -- Reinforcement Learning -- Streams and Time Series -- Subgroup and Subgraph Discovery -- Text 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 : 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
