Información del autor
Autor Aggarwal, Charu C. |
Documentos disponibles escritos por este autor (7)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Artificial Intelligence : A Textbook Tipo de documento: documento electrónico Autores: Aggarwal, Charu C., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XX, 483 p. 173 ilustraciones, 15 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-72357-6 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 Aprendizaje automático Procesamiento de datos MinerÃa de datos y descubrimiento de conocimientos Clasificación: 006.3 Resumen: Este libro de texto cubre el campo más amplio de la inteligencia artificial. Los capÃtulos de este libro de texto se dividen en tres categorÃas: Métodos de razonamiento deductivo: estos métodos comienzan con hipótesis predefinidas y razonan con ellas para llegar a conclusiones lógicamente sólidas. Los métodos subyacentes incluyen métodos de búsqueda y basados ​​en lógica. Estos métodos se analizan en los CapÃtulos 1 al 5. Métodos de aprendizaje inductivo: estos métodos comienzan con ejemplos y utilizan métodos estadÃsticos para llegar a hipótesis. Los ejemplos incluyen modelos de regresión, máquinas de vectores de soporte, redes neuronales, aprendizaje por refuerzo, aprendizaje no supervisado y modelos gráficos probabilÃsticos. Estos métodos se analizan en los CapÃtulos 6 al 11. Integración del razonamiento y el aprendizaje: Los CapÃtulos 11 y 12 analizan técnicas para integrar el razonamiento y el aprendizaje. Los ejemplos incluyen el uso de gráficos de conocimiento y inteligencia artificial neurosimbólica. El público principal de este libro de texto son profesores y estudiantes de nivel avanzado en informática. También es posible utilizar este libro de texto para los requisitos de matemáticas de un curso universitario de ciencia de datos. Los profesionales que trabajan en este campo relacionado también encuentran este libro de texto útil como referencia. Nota de contenido: 1 An Introduction to Artificial Intelligence -- 2 Searching State Spaces -- 3 Multiagent Search -- 4 Propositional Logic -- 5 First-Order Logic -- 6 Machine Learning: The Inductive View -- 7 Neural Networks -- 8 Domain-Specific Neural Architectures -- 9 Unsupervised Learning -- 10 Reinforcement Learning -- 11 Probabilistic Graphical Models -- 12 Knowledge Graphs -- 13 Integrating Reasoning and Learning. Tipo de medio : Computadora Summary : This textbook covers the broader field of artificial intelligence. The chapters for this textbook span within three categories: Deductive reasoning methods: These methods start with pre-defined hypotheses and reason with them in order to arrive at logically sound conclusions. The underlying methods include search and logic-based methods. These methods are discussed in Chapters 1through 5. Inductive Learning Methods: These methods start with examples and use statistical methods in order to arrive at hypotheses. Examples include regression modeling, support vector machines, neural networks, reinforcement learning, unsupervised learning, and probabilistic graphical models. These methods are discussed in Chapters~6 through 11. Integrating Reasoning and Learning: Chapters~11 and 12 discuss techniques for integrating reasoning and learning. Examples include the use of knowledge graphs and neuro-symbolic artificial intelligence. The primary audience for this textbook are professors and advanced-level students in computer science. It is also possible to use this textbook for the mathematics requirements for an undergraduate data science course. Professionals working in this related field many also find this textbook useful as a reference. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Artificial Intelligence : A Textbook [documento electrónico] / Aggarwal, Charu C., . - 1 ed. . - [s.l.] : Springer, 2021 . - XX, 483 p. 173 ilustraciones, 15 ilustraciones en color.
ISBN : 978-3-030-72357-6
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 Aprendizaje automático Procesamiento de datos MinerÃa de datos y descubrimiento de conocimientos Clasificación: 006.3 Resumen: Este libro de texto cubre el campo más amplio de la inteligencia artificial. Los capÃtulos de este libro de texto se dividen en tres categorÃas: Métodos de razonamiento deductivo: estos métodos comienzan con hipótesis predefinidas y razonan con ellas para llegar a conclusiones lógicamente sólidas. Los métodos subyacentes incluyen métodos de búsqueda y basados ​​en lógica. Estos métodos se analizan en los CapÃtulos 1 al 5. Métodos de aprendizaje inductivo: estos métodos comienzan con ejemplos y utilizan métodos estadÃsticos para llegar a hipótesis. Los ejemplos incluyen modelos de regresión, máquinas de vectores de soporte, redes neuronales, aprendizaje por refuerzo, aprendizaje no supervisado y modelos gráficos probabilÃsticos. Estos métodos se analizan en los CapÃtulos 6 al 11. Integración del razonamiento y el aprendizaje: Los CapÃtulos 11 y 12 analizan técnicas para integrar el razonamiento y el aprendizaje. Los ejemplos incluyen el uso de gráficos de conocimiento y inteligencia artificial neurosimbólica. El público principal de este libro de texto son profesores y estudiantes de nivel avanzado en informática. También es posible utilizar este libro de texto para los requisitos de matemáticas de un curso universitario de ciencia de datos. Los profesionales que trabajan en este campo relacionado también encuentran este libro de texto útil como referencia. Nota de contenido: 1 An Introduction to Artificial Intelligence -- 2 Searching State Spaces -- 3 Multiagent Search -- 4 Propositional Logic -- 5 First-Order Logic -- 6 Machine Learning: The Inductive View -- 7 Neural Networks -- 8 Domain-Specific Neural Architectures -- 9 Unsupervised Learning -- 10 Reinforcement Learning -- 11 Probabilistic Graphical Models -- 12 Knowledge Graphs -- 13 Integrating Reasoning and Learning. Tipo de medio : Computadora Summary : This textbook covers the broader field of artificial intelligence. The chapters for this textbook span within three categories: Deductive reasoning methods: These methods start with pre-defined hypotheses and reason with them in order to arrive at logically sound conclusions. The underlying methods include search and logic-based methods. These methods are discussed in Chapters 1through 5. Inductive Learning Methods: These methods start with examples and use statistical methods in order to arrive at hypotheses. Examples include regression modeling, support vector machines, neural networks, reinforcement learning, unsupervised learning, and probabilistic graphical models. These methods are discussed in Chapters~6 through 11. Integrating Reasoning and Learning: Chapters~11 and 12 discuss techniques for integrating reasoning and learning. Examples include the use of knowledge graphs and neuro-symbolic artificial intelligence. The primary audience for this textbook are professors and advanced-level students in computer science. It is also possible to use this textbook for the mathematics requirements for an undergraduate data science course. Professionals working in this related field many also find this textbook useful as a reference. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Data Clustering : Algorithms and Applications Tipo de documento: documento electrónico Autores: Aggarwal, Charu C. ; Reddy, Chandan K. Editorial: Taylor & Francis Group Fecha de publicación: 2018 Número de páginas: xxvi, 616, [4] p. : Il.: ill Palabras clave: Cluster analysis. Data mining. Document clustering. File organization (Computer science) Machine theory. Clasificación: 519.535 Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/143031 Data Clustering : Algorithms and Applications [documento electrónico] / Aggarwal, Charu C. ; Reddy, Chandan K. . - Taylor & Francis Group, 2018 . - xxvi, 616, [4] p. : : ill.
Palabras clave: Cluster analysis. Data mining. Document clustering. File organization (Computer science) Machine theory. Clasificación: 519.535 Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/143031
TÃtulo : Linear Algebra and Optimization for Machine Learning : A Textbook Tipo de documento: documento electrónico Autores: Aggarwal, Charu C., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XXI, 495 p. 93 ilustraciones, 26 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-40344-7 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: Aprendizaje automático Ãlgebras lineales Red de computadoras Ãlgebra lineal Redes de comunicación informática Clasificación: 006.31 Resumen: Este libro de texto presenta el álgebra lineal y la optimización en el contexto del aprendizaje automático. A lo largo del libro se proporcionan ejemplos y ejercicios. Un manual de solución para los ejercicios al final de cada capÃtulo está disponible para los profesores. Este libro de texto está dirigido a estudiantes y profesores de posgrado en informática, matemáticas y ciencia de datos. Los estudiantes universitarios avanzados también pueden utilizar este libro de texto. Los capÃtulos de este libro de texto están organizados de la siguiente manera: 1. Ãlgebra lineal y sus aplicaciones: Los capÃtulos se centran en los conceptos básicos del álgebra lineal junto con sus aplicaciones comunes a la descomposición de valores singulares, factorización de matrices, matrices de similitud (métodos del núcleo) y análisis de gráficos. . Se han utilizado como ejemplos numerosas aplicaciones de aprendizaje automático, como agrupación espectral, clasificación basada en kernel y detección de valores atÃpicos. La estrecha integración de los métodos de álgebra lineal con ejemplos de aprendizaje automático diferencia este libro de los volúmenes genéricos sobre álgebra lineal. La atención se centra claramente en los aspectos más relevantes del álgebra lineal para el aprendizaje automático y en enseñar a los lectores cómo aplicar estos conceptos. 2. Optimización y sus aplicaciones: Gran parte del aprendizaje automático se plantea como un problema de optimización en el que intentamos maximizar la precisión de los modelos de regresión y clasificación. El "problema principal" del aprendizaje automático centrado en la optimización es la regresión de mÃnimos cuadrados. Curiosamente, este problema surge tanto en álgebra lineal como en optimización, y es uno de los problemas clave de conexión de los dos campos. La regresión de mÃnimos cuadrados también es el punto de partida para las máquinas de vectores de soporte, la regresión logÃstica y los sistemas de recomendación. Además, los métodos de reducción de dimensionalidad y factorización matricial también requieren el desarrollo de métodos de optimización. Se discute una visión general de la optimización en gráficos computacionales junto con sus aplicaciones a la retropropagación en redes neuronales. Un desafÃo frecuente al que se enfrentan los principiantes en el aprendizaje automático es la amplia experiencia necesaria en álgebra lineal y optimización. Un problema es que los cursos de optimización y álgebra lineal existentes no son especÃficos del aprendizaje automático; por lo tanto, normalmente uno tendrÃa que completar más material del curso del necesario para aprender el aprendizaje automático. Además, ciertos tipos de ideas y trucos de optimización y álgebra lineal se repiten con más frecuencia en el aprendizaje automático que en otras configuraciones centradas en aplicaciones. Por lo tanto, es muy valioso desarrollar una visión del álgebra lineal y la optimización que se adapte mejor a la perspectiva especÃfica del aprendizaje automático. Nota de contenido: Preface -- 1 Linear Algebra and Optimization: An Introduction -- 2 Linear Transformations and Linear Systems -- 3 Eigenvectors and Diagonalizable Matrices -- 4 Optimization Basics: A Machine Learning View -- 5 Advanced Optimization Solutions -- 6 Constrained Optimization and Duality -- 7 Singular Value Decomposition -- 8 Matrix Factorization -- 9 The Linear Algebra of Similarity -- 10 The Linear Algebra of Graphs -- 11 Optimization in Computational Graphs -- Index. Tipo de medio : Computadora Summary : This textbook introduces linear algebra and optimization in the context of machine learning. Examples and exercises are provided throughout the book. A solution manual for the exercises at the end of each chapter is available to teaching instructors. This textbook targets graduate level students and professors in computer science, mathematics and data science. Advanced undergraduate students can also use this textbook. The chapters for this textbook are organized as follows: 1. Linear algebra and its applications: The chapters focus on the basics of linear algebra together with their common applications to singular value decomposition, matrix factorization, similarity matrices (kernel methods), and graph analysis. Numerous machine learning applications have been used as examples, such as spectral clustering, kernel-based classification, and outlier detection. The tight integration of linear algebra methods with examples from machine learning differentiates this book fromgeneric volumes on linear algebra. The focus is clearly on the most relevant aspects of linear algebra for machine learning and to teach readers how to apply these concepts. 2. Optimization and its applications: Much of machine learning is posed as an optimization problem in which we try to maximize the accuracy of regression and classification models. The "parent problem" of optimization-centric machine learning is least-squares regression. Interestingly, this problem arises in both linear algebra and optimization, and is one of the key connecting problems of the two fields. Least-squares regression is also the starting point for support vector machines, logistic regression, and recommender systems. Furthermore, the methods for dimensionality reduction and matrix factorization also require the development of optimization methods. A general view of optimization in computational graphs is discussed together with its applications to back propagation in neural networks. A frequent challenge faced by beginners in machine learning is the extensive background required in linear algebra and optimization. One problem is that the existing linear algebra and optimization courses are not specific to machine learning; therefore, one would typically have to complete more course material than is necessary to pick up machine learning. Furthermore, certain types of ideas and tricks from optimization and linear algebra recur more frequently in machine learning than other application-centric settings. Therefore, there is significant value in developing a view of linear algebra and optimization that is better suited to the specific perspective of machine learning. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Linear Algebra and Optimization for Machine Learning : A Textbook [documento electrónico] / Aggarwal, Charu C., . - 1 ed. . - [s.l.] : Springer, 2020 . - XXI, 495 p. 93 ilustraciones, 26 ilustraciones en color.
ISBN : 978-3-030-40344-7
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: Aprendizaje automático Ãlgebras lineales Red de computadoras Ãlgebra lineal Redes de comunicación informática Clasificación: 006.31 Resumen: Este libro de texto presenta el álgebra lineal y la optimización en el contexto del aprendizaje automático. A lo largo del libro se proporcionan ejemplos y ejercicios. Un manual de solución para los ejercicios al final de cada capÃtulo está disponible para los profesores. Este libro de texto está dirigido a estudiantes y profesores de posgrado en informática, matemáticas y ciencia de datos. Los estudiantes universitarios avanzados también pueden utilizar este libro de texto. Los capÃtulos de este libro de texto están organizados de la siguiente manera: 1. Ãlgebra lineal y sus aplicaciones: Los capÃtulos se centran en los conceptos básicos del álgebra lineal junto con sus aplicaciones comunes a la descomposición de valores singulares, factorización de matrices, matrices de similitud (métodos del núcleo) y análisis de gráficos. . Se han utilizado como ejemplos numerosas aplicaciones de aprendizaje automático, como agrupación espectral, clasificación basada en kernel y detección de valores atÃpicos. La estrecha integración de los métodos de álgebra lineal con ejemplos de aprendizaje automático diferencia este libro de los volúmenes genéricos sobre álgebra lineal. La atención se centra claramente en los aspectos más relevantes del álgebra lineal para el aprendizaje automático y en enseñar a los lectores cómo aplicar estos conceptos. 2. Optimización y sus aplicaciones: Gran parte del aprendizaje automático se plantea como un problema de optimización en el que intentamos maximizar la precisión de los modelos de regresión y clasificación. El "problema principal" del aprendizaje automático centrado en la optimización es la regresión de mÃnimos cuadrados. Curiosamente, este problema surge tanto en álgebra lineal como en optimización, y es uno de los problemas clave de conexión de los dos campos. La regresión de mÃnimos cuadrados también es el punto de partida para las máquinas de vectores de soporte, la regresión logÃstica y los sistemas de recomendación. Además, los métodos de reducción de dimensionalidad y factorización matricial también requieren el desarrollo de métodos de optimización. Se discute una visión general de la optimización en gráficos computacionales junto con sus aplicaciones a la retropropagación en redes neuronales. Un desafÃo frecuente al que se enfrentan los principiantes en el aprendizaje automático es la amplia experiencia necesaria en álgebra lineal y optimización. Un problema es que los cursos de optimización y álgebra lineal existentes no son especÃficos del aprendizaje automático; por lo tanto, normalmente uno tendrÃa que completar más material del curso del necesario para aprender el aprendizaje automático. Además, ciertos tipos de ideas y trucos de optimización y álgebra lineal se repiten con más frecuencia en el aprendizaje automático que en otras configuraciones centradas en aplicaciones. Por lo tanto, es muy valioso desarrollar una visión del álgebra lineal y la optimización que se adapte mejor a la perspectiva especÃfica del aprendizaje automático. Nota de contenido: Preface -- 1 Linear Algebra and Optimization: An Introduction -- 2 Linear Transformations and Linear Systems -- 3 Eigenvectors and Diagonalizable Matrices -- 4 Optimization Basics: A Machine Learning View -- 5 Advanced Optimization Solutions -- 6 Constrained Optimization and Duality -- 7 Singular Value Decomposition -- 8 Matrix Factorization -- 9 The Linear Algebra of Similarity -- 10 The Linear Algebra of Graphs -- 11 Optimization in Computational Graphs -- Index. Tipo de medio : Computadora Summary : This textbook introduces linear algebra and optimization in the context of machine learning. Examples and exercises are provided throughout the book. A solution manual for the exercises at the end of each chapter is available to teaching instructors. This textbook targets graduate level students and professors in computer science, mathematics and data science. Advanced undergraduate students can also use this textbook. The chapters for this textbook are organized as follows: 1. Linear algebra and its applications: The chapters focus on the basics of linear algebra together with their common applications to singular value decomposition, matrix factorization, similarity matrices (kernel methods), and graph analysis. Numerous machine learning applications have been used as examples, such as spectral clustering, kernel-based classification, and outlier detection. The tight integration of linear algebra methods with examples from machine learning differentiates this book fromgeneric volumes on linear algebra. The focus is clearly on the most relevant aspects of linear algebra for machine learning and to teach readers how to apply these concepts. 2. Optimization and its applications: Much of machine learning is posed as an optimization problem in which we try to maximize the accuracy of regression and classification models. The "parent problem" of optimization-centric machine learning is least-squares regression. Interestingly, this problem arises in both linear algebra and optimization, and is one of the key connecting problems of the two fields. Least-squares regression is also the starting point for support vector machines, logistic regression, and recommender systems. Furthermore, the methods for dimensionality reduction and matrix factorization also require the development of optimization methods. A general view of optimization in computational graphs is discussed together with its applications to back propagation in neural networks. A frequent challenge faced by beginners in machine learning is the extensive background required in linear algebra and optimization. One problem is that the existing linear algebra and optimization courses are not specific to machine learning; therefore, one would typically have to complete more course material than is necessary to pick up machine learning. Furthermore, certain types of ideas and tricks from optimization and linear algebra recur more frequently in machine learning than other application-centric settings. Therefore, there is significant value in developing a view of linear algebra and optimization that is better suited to the specific perspective of machine learning. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Machine Learning for Text Tipo de documento: documento electrónico Autores: Aggarwal, Charu C., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXIII, 493 p. 80 ilustraciones, 4 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-73531-3 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 MinerÃa de datos y descubrimiento de conocimientos Clasificación: 6.312 Resumen: El análisis de texto es un campo que se encuentra en la interfaz de recuperación de información, aprendizaje automático y procesamiento del lenguaje natural. Este libro cubre cuidadosamente un marco organizado coherentemente extraÃdo de estos temas que se cruzan. Los capÃtulos de este libro abarcan tres categorÃas amplias: 1. Algoritmos básicos: los capÃtulos 1 a 8 analizan los algoritmos clásicos para el análisis de texto, como el preprocesamiento, el cálculo de similitudes, el modelado de temas, la factorización matricial, la agrupación, la clasificación, la regresión y el análisis de conjuntos. 2. Aprendizaje sensible al dominio: los capÃtulos 8 y 9 analizan modelos de aprendizaje en entornos heterogéneos, como una combinación de texto con multimedia o enlaces web. El problema de la recuperación de información y la búsqueda en la Web también se analiza en el contexto de su relación con los métodos de clasificación y aprendizaje automático. 3. MinerÃa centrada en secuencias: los capÃtulos 10 a 14 analizan diversas aplicaciones de lenguaje natural y centradas en secuencias, como ingenierÃa de caracterÃsticas, modelos de lenguaje neuronal, aprendizaje profundo, resumen de texto, extracción de información, minerÃa de opiniones, segmentación de texto y detección de eventos. Este libro cubre temas de análisis de texto y aprendizaje automático, desde los más simples hasta los más avanzados. Dado que la cobertura es extensa, se pueden ofrecer varios cursos del mismo libro, según el nivel del curso. Nota de contenido: 1 An Introduction to Text Analytics -- 2 Text Preparation and Similarity Computation -- 3 Matrix Factorization and Topic Modeling -- 4 Text Clustering -- 5 Text Classification: Basic Models -- 6 Linear Models for Classification and Regression -- 7 Classifier Performance and Evaluation -- 8 Joint Text Mining with Heterogeneous Data -- 9 Information Retrieval and Search Engines -- 10 Text Sequence Modeling and Deep Learning -- 11 Text Summarization -- 12 Information Extraction -- 13 Opinion Mining and Sentiment Analysis -- 14 Text Segmentation and Event Detection. Tipo de medio : Computadora Summary : Text analytics is a field that lies on the interface of information retrieval, machine learning, and natural language processing. This book carefully covers a coherently organized framework drawn from these intersecting topics. The chapters of this book span three broad categories: 1. Basic algorithms: Chapters 1 through 8 discuss the classical algorithms for text analytics such as preprocessing, similarity computation, topic modeling, matrix factorization, clustering, classification, regression, and ensemble analysis. 2. Domain-sensitive learning: Chapters 8 and 9 discuss learning models in heterogeneous settings such as a combination of text with multimedia or Web links. The problem of information retrieval and Web search is also discussed in the context of its relationship with ranking and machine learning methods. 3. Sequence-centric mining: Chapters 10 through 14 discuss various sequence-centric and natural language applications, such as feature engineering, neural language models, deep learning, text summarization, information extraction, opinion mining, text segmentation, and event detection. This book covers text analytics and machine learning topics from the simple to the advanced. Since the coverage is extensive, multiple courses can be offered from the same book, depending on course level. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning for Text [documento electrónico] / Aggarwal, Charu C., . - 1 ed. . - [s.l.] : Springer, 2018 . - XXIII, 493 p. 80 ilustraciones, 4 ilustraciones en color.
ISBN : 978-3-319-73531-3
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 MinerÃa de datos y descubrimiento de conocimientos Clasificación: 6.312 Resumen: El análisis de texto es un campo que se encuentra en la interfaz de recuperación de información, aprendizaje automático y procesamiento del lenguaje natural. Este libro cubre cuidadosamente un marco organizado coherentemente extraÃdo de estos temas que se cruzan. Los capÃtulos de este libro abarcan tres categorÃas amplias: 1. Algoritmos básicos: los capÃtulos 1 a 8 analizan los algoritmos clásicos para el análisis de texto, como el preprocesamiento, el cálculo de similitudes, el modelado de temas, la factorización matricial, la agrupación, la clasificación, la regresión y el análisis de conjuntos. 2. Aprendizaje sensible al dominio: los capÃtulos 8 y 9 analizan modelos de aprendizaje en entornos heterogéneos, como una combinación de texto con multimedia o enlaces web. El problema de la recuperación de información y la búsqueda en la Web también se analiza en el contexto de su relación con los métodos de clasificación y aprendizaje automático. 3. MinerÃa centrada en secuencias: los capÃtulos 10 a 14 analizan diversas aplicaciones de lenguaje natural y centradas en secuencias, como ingenierÃa de caracterÃsticas, modelos de lenguaje neuronal, aprendizaje profundo, resumen de texto, extracción de información, minerÃa de opiniones, segmentación de texto y detección de eventos. Este libro cubre temas de análisis de texto y aprendizaje automático, desde los más simples hasta los más avanzados. Dado que la cobertura es extensa, se pueden ofrecer varios cursos del mismo libro, según el nivel del curso. Nota de contenido: 1 An Introduction to Text Analytics -- 2 Text Preparation and Similarity Computation -- 3 Matrix Factorization and Topic Modeling -- 4 Text Clustering -- 5 Text Classification: Basic Models -- 6 Linear Models for Classification and Regression -- 7 Classifier Performance and Evaluation -- 8 Joint Text Mining with Heterogeneous Data -- 9 Information Retrieval and Search Engines -- 10 Text Sequence Modeling and Deep Learning -- 11 Text Summarization -- 12 Information Extraction -- 13 Opinion Mining and Sentiment Analysis -- 14 Text Segmentation and Event Detection. Tipo de medio : Computadora Summary : Text analytics is a field that lies on the interface of information retrieval, machine learning, and natural language processing. This book carefully covers a coherently organized framework drawn from these intersecting topics. The chapters of this book span three broad categories: 1. Basic algorithms: Chapters 1 through 8 discuss the classical algorithms for text analytics such as preprocessing, similarity computation, topic modeling, matrix factorization, clustering, classification, regression, and ensemble analysis. 2. Domain-sensitive learning: Chapters 8 and 9 discuss learning models in heterogeneous settings such as a combination of text with multimedia or Web links. The problem of information retrieval and Web search is also discussed in the context of its relationship with ranking and machine learning methods. 3. Sequence-centric mining: Chapters 10 through 14 discuss various sequence-centric and natural language applications, such as feature engineering, neural language models, deep learning, text summarization, information extraction, opinion mining, text segmentation, and event detection. This book covers text analytics and machine learning topics from the simple to the advanced. Since the coverage is extensive, multiple courses can be offered from the same book, depending on course level. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Neural Networks and Deep Learning : A Textbook Tipo de documento: documento electrónico Autores: Aggarwal, Charu C., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XXIII, 497 p. 139 ilustraciones, 11 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-94463-0 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: Inteligencia artificial Red de computadoras Microprocesadores Arquitectura de Computadores Redes de comunicación informática Arquitecturas de procesador Clasificación: 006.3 Resumen: Este libro cubre modelos clásicos y modernos de aprendizaje profundo. Los capÃtulos de este libro abarcan tres categorÃas: Los conceptos básicos de las redes neuronales: muchos modelos tradicionales de aprendizaje automático pueden entenderse como casos especiales de redes neuronales. En los dos primeros capÃtulos se hace hincapié en la comprensión de la relación entre el aprendizaje automático tradicional y las redes neuronales. Se ha demostrado que las máquinas de vectores de soporte, la regresión lineal/logÃstica, la descomposición de valores singulares, la factorización matricial y los sistemas de recomendación son casos especiales de redes neuronales. Estos métodos se estudian junto con métodos recientes de ingenierÃa de funciones como word2vec. Fundamentos de las redes neuronales: en los capÃtulos 3 y 4 se proporciona una discusión detallada sobre el entrenamiento y la regularización. Los capÃtulos 5 y 6 presentan redes de funciones de base radial (RBF) y máquinas de Boltzmann restringidas. Temas avanzados en redes neuronales: los capÃtulos 7 y 8 analizan las redes neuronales recurrentes y las redes neuronales convolucionales. En los capÃtulos 9 y 10 se presentan varios temas avanzados, como el aprendizaje por refuerzo profundo, las máquinas neuronales de Turing, los mapas autoorganizados de Kohonen y las redes generativas adversarias. El libro está escrito para estudiantes de posgrado, investigadores y profesionales. Hay numerosos ejercicios disponibles junto con un manual de soluciones para ayudar en la enseñanza en el aula. Siempre que sea posible, se destaca una visión centrada en la aplicación para proporcionar una comprensión de los usos prácticos de cada clase de técnicas. Nota de contenido: 1 An Introduction to Neural Networks -- 2 Machine Learning with Shallow Neural Networks -- 3 Training Deep Neural Networks -- 4 Teaching Deep Learners to Generalize -- 5 Radical Basis Function Networks -- 6 Restricted Boltzmann Machines -- 7 Recurrent Neural Networks -- 8 Convolutional Neural Networks -- 9 Deep Reinforcement Learning -- 10 Advanced Topics in Deep Learning. Tipo de medio : Computadora Summary : This book covers both classical and modern models in deep learning. The chapters of this book span three categories: The basics of neural networks: Many traditional machine learning models can be understood as special cases of neural networks. An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec. Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines. Advanced topics in neural networks: Chapters 7 and8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10. The book is written for graduate students, researchers, and practitioners. Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Neural Networks and Deep Learning : A Textbook [documento electrónico] / Aggarwal, Charu C., . - 1 ed. . - [s.l.] : Springer, 2018 . - XXIII, 497 p. 139 ilustraciones, 11 ilustraciones en color.
ISBN : 978-3-319-94463-0
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: Inteligencia artificial Red de computadoras Microprocesadores Arquitectura de Computadores Redes de comunicación informática Arquitecturas de procesador Clasificación: 006.3 Resumen: Este libro cubre modelos clásicos y modernos de aprendizaje profundo. Los capÃtulos de este libro abarcan tres categorÃas: Los conceptos básicos de las redes neuronales: muchos modelos tradicionales de aprendizaje automático pueden entenderse como casos especiales de redes neuronales. En los dos primeros capÃtulos se hace hincapié en la comprensión de la relación entre el aprendizaje automático tradicional y las redes neuronales. Se ha demostrado que las máquinas de vectores de soporte, la regresión lineal/logÃstica, la descomposición de valores singulares, la factorización matricial y los sistemas de recomendación son casos especiales de redes neuronales. Estos métodos se estudian junto con métodos recientes de ingenierÃa de funciones como word2vec. Fundamentos de las redes neuronales: en los capÃtulos 3 y 4 se proporciona una discusión detallada sobre el entrenamiento y la regularización. Los capÃtulos 5 y 6 presentan redes de funciones de base radial (RBF) y máquinas de Boltzmann restringidas. Temas avanzados en redes neuronales: los capÃtulos 7 y 8 analizan las redes neuronales recurrentes y las redes neuronales convolucionales. En los capÃtulos 9 y 10 se presentan varios temas avanzados, como el aprendizaje por refuerzo profundo, las máquinas neuronales de Turing, los mapas autoorganizados de Kohonen y las redes generativas adversarias. El libro está escrito para estudiantes de posgrado, investigadores y profesionales. Hay numerosos ejercicios disponibles junto con un manual de soluciones para ayudar en la enseñanza en el aula. Siempre que sea posible, se destaca una visión centrada en la aplicación para proporcionar una comprensión de los usos prácticos de cada clase de técnicas. Nota de contenido: 1 An Introduction to Neural Networks -- 2 Machine Learning with Shallow Neural Networks -- 3 Training Deep Neural Networks -- 4 Teaching Deep Learners to Generalize -- 5 Radical Basis Function Networks -- 6 Restricted Boltzmann Machines -- 7 Recurrent Neural Networks -- 8 Convolutional Neural Networks -- 9 Deep Reinforcement Learning -- 10 Advanced Topics in Deep Learning. Tipo de medio : Computadora Summary : This book covers both classical and modern models in deep learning. The chapters of this book span three categories: The basics of neural networks: Many traditional machine learning models can be understood as special cases of neural networks. An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec. Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines. Advanced topics in neural networks: Chapters 7 and8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10. The book is written for graduate students, researchers, and practitioners. Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
