Información del autor
Autor Akerkar, Rajendra |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsqueda
Título : Artificial Intelligence for Business Tipo de documento: documento electrónico Autores: Akerkar, Rajendra, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XI, 81 p. 7 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-97436-1 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: Servicios de información empresarial Inteligencia artificial Innovaciones tecnológicas TI en los negocios Gestión de Innovación y Tecnología Clasificación: 658.05 Gerencia ejecutiva (teoría y análisis de sistemas) Resumen: Este libro ofrece una guía práctica sobre las técnicas de inteligencia artificial (IA) que se utilizan en los negocios. El libro no se centra en los modelos y algoritmos de IA, sino que proporciona una descripción general de los modelos más populares y utilizados en los negocios. Esto permite que el libro explique fácilmente los paradigmas y conceptos de IA para estudiantes y ejecutivos de negocios. La Inteligencia Artificial para Empresas se divide en seis capítulos. El capítulo 1 comienza con una breve introducción a la IA y describe su relación con el aprendizaje automático, la ciencia de datos y el análisis de big data. El Capítulo 2 presenta el flujo de trabajo central del aprendizaje automático y las técnicas de aprendizaje automático más efectivas. El capítulo 3 trata sobre el aprendizaje profundo, una técnica popular para desarrollar aplicaciones de IA. El Capítulo 4 presenta los motores de recomendación para empresas y cubre cómo utilizarlos para ser más competitivos. El capítulo 5 presenta el procesamiento del lenguaje natural (PNL) para el análisis de sentimientos centrado en las emociones. Con la ayuda del análisis de sentimiento, las empresas pueden comprender mejor a sus clientes para mejorar su experiencia, lo que les ayudará a cambiar su posición en el mercado. El capítulo 6 establece las posibles perspectivas comerciales de la IA y los beneficios que las empresas pueden obtener al implementar la IA en sus procesos. Nota de contenido: Chapter 1: Introduction to Artificial Intelligence -- Chapter 2: Machine Learning -- Chapter 3: Deep Learning -- Chapter 4: Recommendation Engines -- Chapter 5: Natural Language Processing -- Chapter 6: Employing AI in Business. Tipo de medio : Computadora Summary : This book offers a practical guide to artificial intelligence (AI) techniques that are used in business. The book does not focus on AI models and algorithms, but instead provides an overview of the most popular and frequently used models in business. This allows the book to easily explain AI paradigms and concepts for business students and executives. Artificial Intelligence for Business is divided into six chapters. Chapter 1 begins with a brief introduction to AI and describes its relationship with machine learning, data science and big data analytics. Chapter 2 presents core machine learning workflow and the most effective machine learning techniques. Chapter 3 deals with deep learning, a popular technique for developing AI applications. Chapter 4 introduces recommendation engines for business and covers how to use them to be more competitive. Chapter 5 features natural language processing (NLP) for sentiment analysis focused on emotions. With the help of sentiment analysis, businesses can understand their customers better to improve their experience, which will help the businesses change their market position. Chapter 6 states potential business prospects of AI and the benefits that companies can realize by implementing AI in their processes. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Artificial Intelligence for Business [documento electrónico] / Akerkar, Rajendra, . - 1 ed. . - [s.l.] : Springer, 2019 . - XI, 81 p. 7 ilustraciones en color.
ISBN : 978-3-319-97436-1
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: Servicios de información empresarial Inteligencia artificial Innovaciones tecnológicas TI en los negocios Gestión de Innovación y Tecnología Clasificación: 658.05 Gerencia ejecutiva (teoría y análisis de sistemas) Resumen: Este libro ofrece una guía práctica sobre las técnicas de inteligencia artificial (IA) que se utilizan en los negocios. El libro no se centra en los modelos y algoritmos de IA, sino que proporciona una descripción general de los modelos más populares y utilizados en los negocios. Esto permite que el libro explique fácilmente los paradigmas y conceptos de IA para estudiantes y ejecutivos de negocios. La Inteligencia Artificial para Empresas se divide en seis capítulos. El capítulo 1 comienza con una breve introducción a la IA y describe su relación con el aprendizaje automático, la ciencia de datos y el análisis de big data. El Capítulo 2 presenta el flujo de trabajo central del aprendizaje automático y las técnicas de aprendizaje automático más efectivas. El capítulo 3 trata sobre el aprendizaje profundo, una técnica popular para desarrollar aplicaciones de IA. El Capítulo 4 presenta los motores de recomendación para empresas y cubre cómo utilizarlos para ser más competitivos. El capítulo 5 presenta el procesamiento del lenguaje natural (PNL) para el análisis de sentimientos centrado en las emociones. Con la ayuda del análisis de sentimiento, las empresas pueden comprender mejor a sus clientes para mejorar su experiencia, lo que les ayudará a cambiar su posición en el mercado. El capítulo 6 establece las posibles perspectivas comerciales de la IA y los beneficios que las empresas pueden obtener al implementar la IA en sus procesos. Nota de contenido: Chapter 1: Introduction to Artificial Intelligence -- Chapter 2: Machine Learning -- Chapter 3: Deep Learning -- Chapter 4: Recommendation Engines -- Chapter 5: Natural Language Processing -- Chapter 6: Employing AI in Business. Tipo de medio : Computadora Summary : This book offers a practical guide to artificial intelligence (AI) techniques that are used in business. The book does not focus on AI models and algorithms, but instead provides an overview of the most popular and frequently used models in business. This allows the book to easily explain AI paradigms and concepts for business students and executives. Artificial Intelligence for Business is divided into six chapters. Chapter 1 begins with a brief introduction to AI and describes its relationship with machine learning, data science and big data analytics. Chapter 2 presents core machine learning workflow and the most effective machine learning techniques. Chapter 3 deals with deep learning, a popular technique for developing AI applications. Chapter 4 introduces recommendation engines for business and covers how to use them to be more competitive. Chapter 5 features natural language processing (NLP) for sentiment analysis focused on emotions. With the help of sentiment analysis, businesses can understand their customers better to improve their experience, which will help the businesses change their market position. Chapter 6 states potential business prospects of AI and the benefits that companies can realize by implementing AI in their processes. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Big Data in Emergency Management: Exploitation Techniques for Social and Mobile Data / Akerkar, Rajendra
Título : Big Data in Emergency Management: Exploitation Techniques for Social and Mobile Data Tipo de documento: documento electrónico Autores: Akerkar, Rajendra, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XVIII, 183 p. 97 ilustraciones, 79 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-48099-8 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: Sistemas de almacenamiento y recuperación de información. Desastres naturales Red de computadoras Software de la aplicacion Inteligencia artificial Almacenamiento y recuperación de información Peligros Naturales Redes de comunicación informática Aplicaciones informáticas y de sistemas de información Clasificación: 025.04 Resumen: Este volumen contribuido analiza temas esenciales y los fundamentos para la gestión de emergencias de Big Data y se centra principalmente en la aplicación de Big Data para la gestión de emergencias. Guía al lector a través del estado del arte, en diferentes facetas del campo de datos sobre grandes desastres. Esto incluye muchos elementos que son importantes para que estas tecnologías tengan un impacto en el mundo real. Este libro reúne diferentes técnicas computacionales de: aprendizaje automático, análisis de redes de comunicación, procesamiento de lenguaje natural, gráficos de conocimiento, minería de datos y visualización de información, apuntando a métodos que normalmente se utilizan para procesar grandes datos de emergencia. Este libro también proporciona conocimientos autorizados y destaca lecciones valiosas de autores distinguidos, líderes en este campo. Las emergencias son eventos graves, a gran escala y no rutinarios que perturban el funcionamiento normal de una comunidad o sociedad, causando pérdidas e impactos generalizados y abrumadores. La Gestión de Emergencias es el proceso de planificar y tomar acciones para minimizar el impacto social y físico de las emergencias y reducir la vulnerabilidad de la comunidad a las consecuencias de las emergencias. El intercambio de información antes, durante y después de los períodos de desastre puede reducir en gran medida las pérdidas causadas por la emergencia. Esto permite a las personas hacer un mejor uso de los recursos disponibles, como materiales de socorro y suministros médicos. También proporciona un canal a través del cual se pueden entregar rápidamente informes sobre víctimas y pérdidas en cada zona afectada. La gestión de emergencias basada en big data se refiere a la aplicación de tecnologías avanzadas de recopilación y análisis de datos para lograr una toma de decisiones más eficaz y receptiva durante las emergencias. Los investigadores, ingenieros e informáticos que trabajan en la gestión de emergencias de Big Data y que necesitan lidiar con conjuntos de datos grandes y complejos querrán comprar este libro. Los estudiantes de nivel avanzado interesados en la gestión de emergencias, crisis y desastres basada en datos también querrán comprar este libro como guía de estudio. Nota de contenido: 1. Introduction to Emergency Management -- 2. Big Data -- 3. Learning Algorithms for Emergency Management -- 4. Knowledge Graphs and Natural-Language Processing -- 5. Social Media Mining for Disaster Management and Community Resilience -- 6. Big Data-Driven Citywide Human Mobility Modeling for Emergency Management -- 7. Smartphone based Emergency Communication -- 8. Emergency Information Visualisation. . Tipo de medio : Computadora Summary : This contributed volume discusses essential topics and the fundamentals for Big Data Emergency Management and primarily focusses on the application of Big Data for Emergency Management. It walks the reader through the state of the art, in different facets of the big disaster data field. This includes many elements that are important for these technologies to have real-world impact. This book brings together different computational techniques from: machine learning, communication network analysis, natural language processing, knowledge graphs, data mining, and information visualization, aiming at methods that are typically used for processing big emergency data. This book also provides authoritative insights and highlights valuable lessons by distinguished authors, who are leaders in this field. Emergencies are severe, large-scale, non-routine events that disrupt the normal functioning of a community or a society, causing widespread and overwhelming losses and impacts. Emergency Management is the process of planning and taking actions to minimize the social and physical impact of emergencies and reduces the community's vulnerability to the consequences of emergencies. Information exchange before, during and after the disaster periods can greatly reduce the losses caused by the emergency. This allows people to make better use of the available resources, such as relief materials and medical supplies. It also provides a channel through which reports on casualties and losses in each affected area, can be delivered expeditiously. Big Data-Driven Emergency Management refers to applying advanced data collection and analysis technologies to achieve more effective and responsive decision-making during emergencies. Researchers, engineers and computer scientists working in Big Data Emergency Management, who need to deal with large and complex sets of data will want to purchase this book. Advanced-level students interested in data-driven emergency/crisis/disaster management will also want to purchase this book as a study guide. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Big Data in Emergency Management: Exploitation Techniques for Social and Mobile Data [documento electrónico] / Akerkar, Rajendra, . - 1 ed. . - [s.l.] : Springer, 2020 . - XVIII, 183 p. 97 ilustraciones, 79 ilustraciones en color.
ISBN : 978-3-030-48099-8
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: Sistemas de almacenamiento y recuperación de información. Desastres naturales Red de computadoras Software de la aplicacion Inteligencia artificial Almacenamiento y recuperación de información Peligros Naturales Redes de comunicación informática Aplicaciones informáticas y de sistemas de información Clasificación: 025.04 Resumen: Este volumen contribuido analiza temas esenciales y los fundamentos para la gestión de emergencias de Big Data y se centra principalmente en la aplicación de Big Data para la gestión de emergencias. Guía al lector a través del estado del arte, en diferentes facetas del campo de datos sobre grandes desastres. Esto incluye muchos elementos que son importantes para que estas tecnologías tengan un impacto en el mundo real. Este libro reúne diferentes técnicas computacionales de: aprendizaje automático, análisis de redes de comunicación, procesamiento de lenguaje natural, gráficos de conocimiento, minería de datos y visualización de información, apuntando a métodos que normalmente se utilizan para procesar grandes datos de emergencia. Este libro también proporciona conocimientos autorizados y destaca lecciones valiosas de autores distinguidos, líderes en este campo. Las emergencias son eventos graves, a gran escala y no rutinarios que perturban el funcionamiento normal de una comunidad o sociedad, causando pérdidas e impactos generalizados y abrumadores. La Gestión de Emergencias es el proceso de planificar y tomar acciones para minimizar el impacto social y físico de las emergencias y reducir la vulnerabilidad de la comunidad a las consecuencias de las emergencias. El intercambio de información antes, durante y después de los períodos de desastre puede reducir en gran medida las pérdidas causadas por la emergencia. Esto permite a las personas hacer un mejor uso de los recursos disponibles, como materiales de socorro y suministros médicos. También proporciona un canal a través del cual se pueden entregar rápidamente informes sobre víctimas y pérdidas en cada zona afectada. La gestión de emergencias basada en big data se refiere a la aplicación de tecnologías avanzadas de recopilación y análisis de datos para lograr una toma de decisiones más eficaz y receptiva durante las emergencias. Los investigadores, ingenieros e informáticos que trabajan en la gestión de emergencias de Big Data y que necesitan lidiar con conjuntos de datos grandes y complejos querrán comprar este libro. Los estudiantes de nivel avanzado interesados en la gestión de emergencias, crisis y desastres basada en datos también querrán comprar este libro como guía de estudio. Nota de contenido: 1. Introduction to Emergency Management -- 2. Big Data -- 3. Learning Algorithms for Emergency Management -- 4. Knowledge Graphs and Natural-Language Processing -- 5. Social Media Mining for Disaster Management and Community Resilience -- 6. Big Data-Driven Citywide Human Mobility Modeling for Emergency Management -- 7. Smartphone based Emergency Communication -- 8. Emergency Information Visualisation. . Tipo de medio : Computadora Summary : This contributed volume discusses essential topics and the fundamentals for Big Data Emergency Management and primarily focusses on the application of Big Data for Emergency Management. It walks the reader through the state of the art, in different facets of the big disaster data field. This includes many elements that are important for these technologies to have real-world impact. This book brings together different computational techniques from: machine learning, communication network analysis, natural language processing, knowledge graphs, data mining, and information visualization, aiming at methods that are typically used for processing big emergency data. This book also provides authoritative insights and highlights valuable lessons by distinguished authors, who are leaders in this field. Emergencies are severe, large-scale, non-routine events that disrupt the normal functioning of a community or a society, causing widespread and overwhelming losses and impacts. Emergency Management is the process of planning and taking actions to minimize the social and physical impact of emergencies and reduces the community's vulnerability to the consequences of emergencies. Information exchange before, during and after the disaster periods can greatly reduce the losses caused by the emergency. This allows people to make better use of the available resources, such as relief materials and medical supplies. It also provides a channel through which reports on casualties and losses in each affected area, can be delivered expeditiously. Big Data-Driven Emergency Management refers to applying advanced data collection and analysis technologies to achieve more effective and responsive decision-making during emergencies. Researchers, engineers and computer scientists working in Big Data Emergency Management, who need to deal with large and complex sets of data will want to purchase this book. Advanced-level students interested in data-driven emergency/crisis/disaster management will also want to purchase this book as a study guide. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Título : Models of Computation for Big Data Tipo de documento: documento electrónico Autores: Akerkar, Rajendra, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: VIII, 104 p. 3 ilustraciones ISBN/ISSN/DL: 978-3-319-91851-8 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: Algoritmos Procesamiento de datos Álgebras lineales Ciencias de la Computación Minería de datos y descubrimiento de conocimientos Álgebra lineal Modelos de Computación Clasificación: 518.1 Resumen: El tsunami de big data cambia la perspectiva de la investigación industrial y académica en cuanto a cómo abordan tanto las cuestiones fundamentales como las aplicaciones prácticas. Esto exige un cambio de paradigma en los algoritmos y las técnicas matemáticas subyacentes. Es necesario comprender las fortalezas fundamentales y abordar los desafíos más avanzados en big data que podrían generar un impacto práctico. El objetivo principal de este libro es presentar técnicas algorítmicas para tratar con grandes conjuntos de datos. Los algoritmos tradicionales funcionan con éxito cuando los datos de entrada caben bien en la memoria. Sin embargo, en muchas situaciones de aplicación recientes, el tamaño de los datos de entrada es demasiado grande para caber en la memoria. Modelos de Computación para Big Data, cubre modelos matemáticos para desarrollar dichos algoritmos, que tiene sus raíces en el estudio de big data que ocurren a menudo en diversas aplicaciones. La mayoría de las técnicas discutidas provienen de investigaciones de la última década. El libro se estructurará como una secuencia de ideas algorítmicas, fundamentos teóricos y uso práctico de esa idea algorítmica. Destinado tanto a estudiantes de posgrado como a estudiantes universitarios avanzados, no existen requisitos previos formales, pero el lector debe estar familiarizado con los fundamentos del diseño y análisis de algoritmos, las matemáticas discretas, la probabilidad y tener madurez matemática general. Nota de contenido: Preface -- Streaming Models -- Introduction -- Indyk's Algorithm -- Point Query -- Sketching -- Sub-Linear Time Models -- Introduction -- Dimentionality Reduction -- Johnson Lindenstrauss Lower Bound -- Fast Johnson Lindenstrauss Transform -- Sublinear Time Algorithmic Models -- Linear Algebraic Models -- Introduction -- Subspace Embeddings -- Low-Rank Approximation -- The Matrix Completion Problem -- Other Computational Models -- References. Tipo de medio : Computadora Summary : The big data tsunami changes the perspective of industrial and academic research in how they address both foundational questions and practical applications. This calls for a paradigm shift in algorithms and the underlying mathematical techniques. There is a need to understand foundational strengths and address the state of the art challenges in big data that could lead to practical impact. The main goal of this book is to introduce algorithmic techniques for dealing with big data sets. Traditional algorithms work successfully when the input data fits well within memory. In many recent application situations, however, the size of the input data is too large to fit within memory. Models of Computation for Big Data, covers mathematical models for developing such algorithms, which has its roots in the study of big data that occur often in various applications. Most techniques discussed come from research in the last decade. The book will be structured as a sequence of algorithmic ideas, theoretical underpinning, and practical use of that algorithmic idea. Intended for both graduate students and advanced undergraduate students, there are no formal prerequisites, but the reader should be familiar with the fundamentals of algorithm design and analysis, discrete mathematics, probability and have general mathematical maturity. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Models of Computation for Big Data [documento electrónico] / Akerkar, Rajendra, . - 1 ed. . - [s.l.] : Springer, 2018 . - VIII, 104 p. 3 ilustraciones.
ISBN : 978-3-319-91851-8
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: Algoritmos Procesamiento de datos Álgebras lineales Ciencias de la Computación Minería de datos y descubrimiento de conocimientos Álgebra lineal Modelos de Computación Clasificación: 518.1 Resumen: El tsunami de big data cambia la perspectiva de la investigación industrial y académica en cuanto a cómo abordan tanto las cuestiones fundamentales como las aplicaciones prácticas. Esto exige un cambio de paradigma en los algoritmos y las técnicas matemáticas subyacentes. Es necesario comprender las fortalezas fundamentales y abordar los desafíos más avanzados en big data que podrían generar un impacto práctico. El objetivo principal de este libro es presentar técnicas algorítmicas para tratar con grandes conjuntos de datos. Los algoritmos tradicionales funcionan con éxito cuando los datos de entrada caben bien en la memoria. Sin embargo, en muchas situaciones de aplicación recientes, el tamaño de los datos de entrada es demasiado grande para caber en la memoria. Modelos de Computación para Big Data, cubre modelos matemáticos para desarrollar dichos algoritmos, que tiene sus raíces en el estudio de big data que ocurren a menudo en diversas aplicaciones. La mayoría de las técnicas discutidas provienen de investigaciones de la última década. El libro se estructurará como una secuencia de ideas algorítmicas, fundamentos teóricos y uso práctico de esa idea algorítmica. Destinado tanto a estudiantes de posgrado como a estudiantes universitarios avanzados, no existen requisitos previos formales, pero el lector debe estar familiarizado con los fundamentos del diseño y análisis de algoritmos, las matemáticas discretas, la probabilidad y tener madurez matemática general. Nota de contenido: Preface -- Streaming Models -- Introduction -- Indyk's Algorithm -- Point Query -- Sketching -- Sub-Linear Time Models -- Introduction -- Dimentionality Reduction -- Johnson Lindenstrauss Lower Bound -- Fast Johnson Lindenstrauss Transform -- Sublinear Time Algorithmic Models -- Linear Algebraic Models -- Introduction -- Subspace Embeddings -- Low-Rank Approximation -- The Matrix Completion Problem -- Other Computational Models -- References. Tipo de medio : Computadora Summary : The big data tsunami changes the perspective of industrial and academic research in how they address both foundational questions and practical applications. This calls for a paradigm shift in algorithms and the underlying mathematical techniques. There is a need to understand foundational strengths and address the state of the art challenges in big data that could lead to practical impact. The main goal of this book is to introduce algorithmic techniques for dealing with big data sets. Traditional algorithms work successfully when the input data fits well within memory. In many recent application situations, however, the size of the input data is too large to fit within memory. Models of Computation for Big Data, covers mathematical models for developing such algorithms, which has its roots in the study of big data that occur often in various applications. Most techniques discussed come from research in the last decade. The book will be structured as a sequence of algorithmic ideas, theoretical underpinning, and practical use of that algorithmic idea. Intended for both graduate students and advanced undergraduate students, there are no formal prerequisites, but the reader should be familiar with the fundamentals of algorithm design and analysis, discrete mathematics, probability and have general mathematical maturity. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
