Información del autor
Autor Masters, Timothy |
Documentos disponibles escritos por este autor (7)



TÃtulo : Assessing and Improving Prediction and Classification : Theory and Algorithms in C++ Tipo de documento: documento electrónico Autores: Masters, Timothy, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XX, 517 p. 26 ilustraciones, 8 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-3336-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Grandes datos Inteligencia artificial Informática Estadistica matematica EstadÃsticas Probabilidad y EstadÃstica en Informática Clasificación: Resumen: Realizar evaluaciones prácticas y reales del rendimiento de modelos de predicción y clasificación escritos en C++. Este libro analiza técnicas para mejorar el rendimiento de dichos modelos mediante un remuestreo inteligente de datos de entrenamiento/prueba, combinando múltiples modelos en comités sofisticados y haciendo uso de información exógena para elegir dinámicamente metodologÃas de modelado. Las técnicas estadÃsticas rigurosas para calcular la confianza en las predicciones y decisiones reciben un tratamiento extenso. Finalmente, la última parte del libro está dedicada al uso de la teorÃa de la información para evaluar y seleccionar predictores útiles. Se presta especial atención a la transferencia de información de Schreiber, una generalización reciente de la causalidad de Grainger. Se proporciona código C++ bien comentado para cada algoritmo y técnica. Usted: Descubrirá los obstáculos ocultos que acechan en el proceso de desarrollo de modelos. Trabajará con algunos de los algoritmos de mejora de modelos más potentes que han surgido recientemente. Utilizará e incorporará eficazmente el código C++ en sus propios proyectos de análisis de datos. Combinará modelos de clasificación para mejorar sus proyectos. Nota de contenido: 1. Assessment of Numeric Predictions -- 2. Assessment of Class Predictions -- 3. Resampling for Assessing Parameter Estimates -- 4. Resampling for Assessing Prediction and Classification -- 5. Miscellaneous Resampling Techniques -- 6. Combining Numeric Predictions -- 7. Combining Classification Models -- 8. Gaiting Methods -- 9. Information and Entropy -- References. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Assessing and Improving Prediction and Classification : Theory and Algorithms in C++ [documento electrónico] / Masters, Timothy, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XX, 517 p. 26 ilustraciones, 8 ilustraciones en color.
ISBN : 978-1-4842-3336-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Grandes datos Inteligencia artificial Informática Estadistica matematica EstadÃsticas Probabilidad y EstadÃstica en Informática Clasificación: Resumen: Realizar evaluaciones prácticas y reales del rendimiento de modelos de predicción y clasificación escritos en C++. Este libro analiza técnicas para mejorar el rendimiento de dichos modelos mediante un remuestreo inteligente de datos de entrenamiento/prueba, combinando múltiples modelos en comités sofisticados y haciendo uso de información exógena para elegir dinámicamente metodologÃas de modelado. Las técnicas estadÃsticas rigurosas para calcular la confianza en las predicciones y decisiones reciben un tratamiento extenso. Finalmente, la última parte del libro está dedicada al uso de la teorÃa de la información para evaluar y seleccionar predictores útiles. Se presta especial atención a la transferencia de información de Schreiber, una generalización reciente de la causalidad de Grainger. Se proporciona código C++ bien comentado para cada algoritmo y técnica. Usted: Descubrirá los obstáculos ocultos que acechan en el proceso de desarrollo de modelos. Trabajará con algunos de los algoritmos de mejora de modelos más potentes que han surgido recientemente. Utilizará e incorporará eficazmente el código C++ en sus propios proyectos de análisis de datos. Combinará modelos de clasificación para mejorar sus proyectos. Nota de contenido: 1. Assessment of Numeric Predictions -- 2. Assessment of Class Predictions -- 3. Resampling for Assessing Parameter Estimates -- 4. Resampling for Assessing Prediction and Classification -- 5. Miscellaneous Resampling Techniques -- 6. Combining Numeric Predictions -- 7. Combining Classification Models -- 8. Gaiting Methods -- 9. Information and Entropy -- References. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Data Mining Algorithms in C++ : Data Patterns and Algorithms for Modern Applications Tipo de documento: documento electrónico Autores: Masters, Timothy, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XIV, 286 p. ISBN/ISSN/DL: 978-1-4842-3315-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Compiladores (programas informáticos) Grandes datos Procesamiento de datos Programación de computadoras Algoritmos Compiladores e intérpretes MinerÃa de datos y descubrimiento de conocimientos Técnicas de programación Clasificación: Resumen: Encuentre las diversas relaciones entre variables que pueden estar presentes en big data y en otros conjuntos de datos. Este libro también cubre la entropÃa de la información, las pruebas de permutación, la combinatoria, las selecciones de predictores y los valores propios para brindarle una visión completa de la minerÃa de datos y los algoritmos en C++. Además, los algoritmos de minerÃa de datos en C++ incluyen técnicas clásicas que están ampliamente disponibles en paquetes estadÃsticos estándar, como el análisis factorial de máxima verosimilitud y la rotación varimax. Después de leer y utilizar este libro, obtendrá muchos ejemplos de código y rutinas que pueden reutilizarse en sus propias herramientas de minerÃa de datos y algoritmos. Esto le permitirá integrar estas técnicas en sus diversos proyectos de análisis y datos. Usted: Descubrirá técnicas y algoritmos útiles de minerÃa de datos utilizando el lenguaje de programación C++. Realizará pruebas de permutación. Trabajará con las diversas relaciones y tipos de detección para estas relaciones. Dominará las selecciones de predictores. Utilizará el programa DATAMINE. Nota de contenido: 1. Information and Entropy -- 2. Screening for Relationships -- 3. Displaying Relationship Anomalies -- 4. Fun With Eigenvectors -- 5. Using the DATAMINE Program. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Data Mining Algorithms in C++ : Data Patterns and Algorithms for Modern Applications [documento electrónico] / Masters, Timothy, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XIV, 286 p.
ISBN : 978-1-4842-3315-3
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Compiladores (programas informáticos) Grandes datos Procesamiento de datos Programación de computadoras Algoritmos Compiladores e intérpretes MinerÃa de datos y descubrimiento de conocimientos Técnicas de programación Clasificación: Resumen: Encuentre las diversas relaciones entre variables que pueden estar presentes en big data y en otros conjuntos de datos. Este libro también cubre la entropÃa de la información, las pruebas de permutación, la combinatoria, las selecciones de predictores y los valores propios para brindarle una visión completa de la minerÃa de datos y los algoritmos en C++. Además, los algoritmos de minerÃa de datos en C++ incluyen técnicas clásicas que están ampliamente disponibles en paquetes estadÃsticos estándar, como el análisis factorial de máxima verosimilitud y la rotación varimax. Después de leer y utilizar este libro, obtendrá muchos ejemplos de código y rutinas que pueden reutilizarse en sus propias herramientas de minerÃa de datos y algoritmos. Esto le permitirá integrar estas técnicas en sus diversos proyectos de análisis y datos. Usted: Descubrirá técnicas y algoritmos útiles de minerÃa de datos utilizando el lenguaje de programación C++. Realizará pruebas de permutación. Trabajará con las diversas relaciones y tipos de detección para estas relaciones. Dominará las selecciones de predictores. Utilizará el programa DATAMINE. Nota de contenido: 1. Information and Entropy -- 2. Screening for Relationships -- 3. Displaying Relationship Anomalies -- 4. Fun With Eigenvectors -- 5. Using the DATAMINE Program. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Deep Belief Nets in C++ and CUDA C: Volume 1 : Restricted Boltzmann Machines and Supervised Feedforward Networks Tipo de documento: documento electrónico Autores: Masters, Timothy, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: IX, 219 p. 33 ilustraciones, 20 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-3591-1 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 Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes esenciales de las formas más comunes de redes de creencias profundas. En cada paso, este libro proporciona una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y concluye con un código muy comentado para computación con subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de visualización de video compatibles con CUDA. El primero de tres de una serie sobre redes de creencias y aprendizaje profundo de C++ y CUDA C, Deep Belief Nets in C++ y CUDA C: Volumen 1 muestra cómo la estructura de estos elegantes modelos está mucho más cerca de la de los cerebros humanos que de las redes neuronales tradicionales. ; Tienen un proceso de pensamiento que es capaz de aprender conceptos abstractos construidos a partir de primitivos más simples. Como tal, verá que una tÃpica red de creencias profundas puede aprender a reconocer patrones complejos optimizando millones de parámetros, pero este modelo aún puede resistirse al sobreajuste. Todas las rutinas y algoritmos presentados en el libro están disponibles en la descarga del código, que también contiene algunas bibliotecas de rutinas relacionadas. Usted: Empleará aprendizaje profundo usando C++ y CUDA C Trabajará con redes de avance supervisadas Implementará máquinas Boltzmann restringidas Usar muestreos generativos Descubrirá por qué son importantes. Nota de contenido: 1. Introduction -- 2. Supervised Feedforward Networks -- 3. Restricted Boltzmann Machines -- 4. Greedy Training: Generative Samplings -- 5. DEEP Operating Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Belief Nets in C++ and CUDA C: Volume 1 : Restricted Boltzmann Machines and Supervised Feedforward Networks [documento electrónico] / Masters, Timothy, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - IX, 219 p. 33 ilustraciones, 20 ilustraciones en color.
ISBN : 978-1-4842-3591-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes esenciales de las formas más comunes de redes de creencias profundas. En cada paso, este libro proporciona una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y concluye con un código muy comentado para computación con subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de visualización de video compatibles con CUDA. El primero de tres de una serie sobre redes de creencias y aprendizaje profundo de C++ y CUDA C, Deep Belief Nets in C++ y CUDA C: Volumen 1 muestra cómo la estructura de estos elegantes modelos está mucho más cerca de la de los cerebros humanos que de las redes neuronales tradicionales. ; Tienen un proceso de pensamiento que es capaz de aprender conceptos abstractos construidos a partir de primitivos más simples. Como tal, verá que una tÃpica red de creencias profundas puede aprender a reconocer patrones complejos optimizando millones de parámetros, pero este modelo aún puede resistirse al sobreajuste. Todas las rutinas y algoritmos presentados en el libro están disponibles en la descarga del código, que también contiene algunas bibliotecas de rutinas relacionadas. Usted: Empleará aprendizaje profundo usando C++ y CUDA C Trabajará con redes de avance supervisadas Implementará máquinas Boltzmann restringidas Usar muestreos generativos Descubrirá por qué son importantes. Nota de contenido: 1. Introduction -- 2. Supervised Feedforward Networks -- 3. Restricted Boltzmann Machines -- 4. Greedy Training: Generative Samplings -- 5. DEEP Operating Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Deep Belief Nets in C++ and CUDA C: Volume 2 : Autoencoding in the Complex Domain Tipo de documento: documento electrónico Autores: Masters, Timothy, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XI, 258 p. 47 ilustraciones ISBN/ISSN/DL: 978-1-4842-3646-8 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 Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes esenciales de una forma común y poderosa de red de creencias profundas: el codificador automático. Llevará este tema más allá del uso actual al extenderlo al dominio complejo de aplicaciones de procesamiento de señales e imágenes. Deep Belief Nets en C++ y CUDA C: Volumen 2 también cubre varios algoritmos para preprocesar series de tiempo y datos de imágenes. Estos algoritmos se centran en la creación de predictores de dominio complejo que son adecuados para la entrada a un codificador automático de dominio complejo. Finalmente, aprenderá un método para incrustar información de clases en la capa de entrada de una máquina Boltzmann restringida. Esto facilita la visualización generativa de muestras de clases individuales en lugar de la distribución de datos completa. La capacidad de ver las caracterÃsticas que el modelo ha aprendido para cada clase por separado puede resultar invaluable. En cada paso, este libro le brinda motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y código altamente comentado para computación con subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de visualización de video compatibles con CUDA. Usted podrá: • Codificar para aprendizaje profundo, redes neuronales e IA usando C++ y CUDA C • Llevar a cabo preprocesamiento de señales usando transformaciones simples, transformadas de Fourier, wavelets de Morlet y más • Usar la Transformada de Fourier para el preprocesamiento de imágenes • Implementar codificación automática mediante activación en el dominio complejo • Trabajar con algoritmos para el cálculo de gradiente CUDA • Usar el manual de funcionamiento DEEP. Nota de contenido: 0. Introduction -- 1. Embedded Class Labels -- 2. Signal Preprocessing -- 3. Image Preprocessing -- 4. Autoencoding -- 5. Deep Operating Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Belief Nets in C++ and CUDA C: Volume 2 : Autoencoding in the Complex Domain [documento electrónico] / Masters, Timothy, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XI, 258 p. 47 ilustraciones.
ISBN : 978-1-4842-3646-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes esenciales de una forma común y poderosa de red de creencias profundas: el codificador automático. Llevará este tema más allá del uso actual al extenderlo al dominio complejo de aplicaciones de procesamiento de señales e imágenes. Deep Belief Nets en C++ y CUDA C: Volumen 2 también cubre varios algoritmos para preprocesar series de tiempo y datos de imágenes. Estos algoritmos se centran en la creación de predictores de dominio complejo que son adecuados para la entrada a un codificador automático de dominio complejo. Finalmente, aprenderá un método para incrustar información de clases en la capa de entrada de una máquina Boltzmann restringida. Esto facilita la visualización generativa de muestras de clases individuales en lugar de la distribución de datos completa. La capacidad de ver las caracterÃsticas que el modelo ha aprendido para cada clase por separado puede resultar invaluable. En cada paso, este libro le brinda motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y código altamente comentado para computación con subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de visualización de video compatibles con CUDA. Usted podrá: • Codificar para aprendizaje profundo, redes neuronales e IA usando C++ y CUDA C • Llevar a cabo preprocesamiento de señales usando transformaciones simples, transformadas de Fourier, wavelets de Morlet y más • Usar la Transformada de Fourier para el preprocesamiento de imágenes • Implementar codificación automática mediante activación en el dominio complejo • Trabajar con algoritmos para el cálculo de gradiente CUDA • Usar el manual de funcionamiento DEEP. Nota de contenido: 0. Introduction -- 1. Embedded Class Labels -- 2. Signal Preprocessing -- 3. Image Preprocessing -- 4. Autoencoding -- 5. Deep Operating Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Deep Belief Nets in C++ and CUDA C: Volume 3 : Convolutional Nets Tipo de documento: documento electrónico Autores: Masters, Timothy, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XII, 176 p. 13 ilustraciones ISBN/ISSN/DL: 978-1-4842-3721-2 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 Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes básicos de una forma común y poderosa de red de creencias profundas: las redes convolucionales. Este libro le muestra cómo la estructura de estos elegantes modelos es mucho más parecida a la de los cerebros humanos que las redes neuronales tradicionales; tienen un "proceso de pensamiento" que es capaz de aprender conceptos abstractos construidos a partir de primitivos más simples. Estos modelos son especialmente útiles para aplicaciones de procesamiento de imágenes. En cada paso, Deep Belief Nets in C++ and CUDA C: Volume 3 presenta una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y concluye con un código muy comentado para computación en subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de video compatibles con CUDA. El código fuente de todas las rutinas presentadas en el libro y el programa ejecutable CONVNET que implementa estos algoritmos están disponibles para descarga gratuita. Usted: Descubrirá las redes convolucionales y cómo usarlas Construirá redes de propagación hacia adelante profundas utilizando capas conectadas localmente, capas de agrupación y salidas softmax Dominará los diversos algoritmos de programación necesarios Realizará cálculos de gradiente de subprocesos múltiples y asignaciones de memoria para este subproceso Trabajará con implementaciones de código CUDA de todos los cálculos centrales, incluidas las activaciones de capas y los cálculos de gradiente Utilizará el programa CONVNET y el manual para explorar redes convolucionales y estudios de casos. Nota de contenido: 1. Feedforward Networks -- 2. Programming Algorithms -- 3. CUDA Code -- 4. CONVNET Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Belief Nets in C++ and CUDA C: Volume 3 : Convolutional Nets [documento electrónico] / Masters, Timothy, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XII, 176 p. 13 ilustraciones.
ISBN : 978-1-4842-3721-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: Resumen: Descubra los componentes básicos de una forma común y poderosa de red de creencias profundas: las redes convolucionales. Este libro le muestra cómo la estructura de estos elegantes modelos es mucho más parecida a la de los cerebros humanos que las redes neuronales tradicionales; tienen un "proceso de pensamiento" que es capaz de aprender conceptos abstractos construidos a partir de primitivos más simples. Estos modelos son especialmente útiles para aplicaciones de procesamiento de imágenes. En cada paso, Deep Belief Nets in C++ and CUDA C: Volume 3 presenta una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y concluye con un código muy comentado para computación en subprocesos en CPU modernas, asà como procesamiento paralelo masivo en computadoras con tarjetas de video compatibles con CUDA. El código fuente de todas las rutinas presentadas en el libro y el programa ejecutable CONVNET que implementa estos algoritmos están disponibles para descarga gratuita. Usted: Descubrirá las redes convolucionales y cómo usarlas Construirá redes de propagación hacia adelante profundas utilizando capas conectadas localmente, capas de agrupación y salidas softmax Dominará los diversos algoritmos de programación necesarios Realizará cálculos de gradiente de subprocesos múltiples y asignaciones de memoria para este subproceso Trabajará con implementaciones de código CUDA de todos los cálculos centrales, incluidas las activaciones de capas y los cálculos de gradiente Utilizará el programa CONVNET y el manual para explorar redes convolucionales y estudios de casos. Nota de contenido: 1. Feedforward Networks -- 2. Programming Algorithms -- 3. CUDA Code -- 4. CONVNET Manual. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] PermalinkPermalink