Información del autor
Autor Masters, Timothy |
Documentos disponibles escritos por este autor (7)
Crear una solicitud de compra Refinar búsqueda
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. Idioma : Inglés (eng) Palabras clave: Grandes datos Inteligencia artificial Informática Estadistica matematica EstadÃsticas Probabilidad y EstadÃstica en Informática Clasificación: 005.7 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. Tipo de medio : Computadora Summary : Carry out practical, real-life assessments of the performance of prediction and classification models written in C++. This book discusses techniques for improving the performance of such models by intelligent resampling of training/testing data, combining multiple models into sophisticated committees, and making use of exogenous information to dynamically choose modeling methodologies. Rigorous statistical techniques for computing confidence in predictions and decisions receive extensive treatment. Finally, the last part of the book is devoted to the use of information theory in evaluating and selecting useful predictors. Special attention is paid to Schreiber's Information Transfer, a recent generalization of Grainger Causality. Well commented C++ code is given for every algorithm and technique. You will: Discover the hidden pitfalls that lurk in the model development process Work withsome of the most powerful model enhancement algorithms that have emerged recently Effectively use and incorporate the C++ code in your own data analysis projects Combine classification models to enhance your projects. 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.
Idioma : Inglés (eng)
Palabras clave: Grandes datos Inteligencia artificial Informática Estadistica matematica EstadÃsticas Probabilidad y EstadÃstica en Informática Clasificación: 005.7 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. Tipo de medio : Computadora Summary : Carry out practical, real-life assessments of the performance of prediction and classification models written in C++. This book discusses techniques for improving the performance of such models by intelligent resampling of training/testing data, combining multiple models into sophisticated committees, and making use of exogenous information to dynamically choose modeling methodologies. Rigorous statistical techniques for computing confidence in predictions and decisions receive extensive treatment. Finally, the last part of the book is devoted to the use of information theory in evaluating and selecting useful predictors. Special attention is paid to Schreiber's Information Transfer, a recent generalization of Grainger Causality. Well commented C++ code is given for every algorithm and technique. You will: Discover the hidden pitfalls that lurk in the model development process Work withsome of the most powerful model enhancement algorithms that have emerged recently Effectively use and incorporate the C++ code in your own data analysis projects Combine classification models to enhance your projects. 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. Idioma : Inglés (eng) 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: 005.45 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. Tipo de medio : Computadora Summary : Find the various relationships among variables that can be present in big data as well as other data sets. This book also covers information entropy, permutation tests, combinatorics, predictor selections, and eigenvalues to give you a well-rounded view of data mining and algorithms in C++. Furthermore, Data Mining Algorithms in C++ includes classic techniques that are widely available in standard statistical packages, such as maximum likelihood factor analysis and varimax rotation. After reading and using this book, you'll come away with many code samples and routines that can be repurposed into your own data mining tools and algorithms toolbox. This will allow you to integrate these techniques in your various data and analysis projects. You will: Discover useful data mining techniques and algorithms using the C++ programming language Carry out permutation tests Work with the various relationships and screening types for these relationships Master predictor selections Use 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.
Idioma : Inglés (eng)
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: 005.45 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. Tipo de medio : Computadora Summary : Find the various relationships among variables that can be present in big data as well as other data sets. This book also covers information entropy, permutation tests, combinatorics, predictor selections, and eigenvalues to give you a well-rounded view of data mining and algorithms in C++. Furthermore, Data Mining Algorithms in C++ includes classic techniques that are widely available in standard statistical packages, such as maximum likelihood factor analysis and varimax rotation. After reading and using this book, you'll come away with many code samples and routines that can be repurposed into your own data mining tools and algorithms toolbox. This will allow you to integrate these techniques in your various data and analysis projects. You will: Discover useful data mining techniques and algorithms using the C++ programming language Carry out permutation tests Work with the various relationships and screening types for these relationships Master predictor selections Use 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of the most common forms of deep belief networks. At each step this book provides intuitive motivation, a summary of the most important equations relevant to the topic, and concludes with highly commented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. The first of three in a series on C++ and CUDA C deep learning and belief nets, Deep Belief Nets in C++ and CUDA C: Volume 1 shows you how the structure of these elegant models is much closer to that of human brains than traditional neural networks; they have a thought process that is capable of learning abstract concepts built from simpler primitives. As such, you'll see that a typical deep belief net can learn to recognize complex patterns by optimizing millions of parameters, yet this model can still be resistant to overfitting. All the routines and algorithms presented in the book are available in the code download, which also contains some libraries of related routines. You will: Employ deep learning using C++ and CUDA C Work with supervised feedforward networks Implement restricted Boltzmann machines Use generative samplings Discover why these are important. 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.
Idioma : Inglés (eng)
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of the most common forms of deep belief networks. At each step this book provides intuitive motivation, a summary of the most important equations relevant to the topic, and concludes with highly commented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. The first of three in a series on C++ and CUDA C deep learning and belief nets, Deep Belief Nets in C++ and CUDA C: Volume 1 shows you how the structure of these elegant models is much closer to that of human brains than traditional neural networks; they have a thought process that is capable of learning abstract concepts built from simpler primitives. As such, you'll see that a typical deep belief net can learn to recognize complex patterns by optimizing millions of parameters, yet this model can still be resistant to overfitting. All the routines and algorithms presented in the book are available in the code download, which also contains some libraries of related routines. You will: Employ deep learning using C++ and CUDA C Work with supervised feedforward networks Implement restricted Boltzmann machines Use generative samplings Discover why these are important. 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of a common and powerful form of deep belief net: the autoencoder. You'll take this topic beyond current usage by extending it to the complex domain for signal and image processing applications. Deep Belief Nets in C++ and CUDA C: Volume 2 also covers several algorithms for preprocessing time series and image data. These algorithms focus on the creation of complex-domain predictors that are suitable for input to a complex-domain autoencoder. Finally, you'll learn a method for embedding class information in the input layer of a restricted Boltzmann machine. This facilitates generative display of samples from individual classes rather than the entire data distribution. The ability to see the features that the model has learned for each class separately can be invaluable. At each step this book provides you with intuitive motivation, a summary of the most important equations relevant to the topic, and highlycommented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. You will: • Code for deep learning, neural networks, and AI using C++ and CUDA C • Carry out signal preprocessing using simple transformations, Fourier transforms, Morlet wavelets, and more • Use the Fourier Transform for image preprocessing • Implement autoencoding via activation in the complex domain • Work with algorithms for CUDA gradient computation • Use the 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.
Idioma : Inglés (eng)
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of a common and powerful form of deep belief net: the autoencoder. You'll take this topic beyond current usage by extending it to the complex domain for signal and image processing applications. Deep Belief Nets in C++ and CUDA C: Volume 2 also covers several algorithms for preprocessing time series and image data. These algorithms focus on the creation of complex-domain predictors that are suitable for input to a complex-domain autoencoder. Finally, you'll learn a method for embedding class information in the input layer of a restricted Boltzmann machine. This facilitates generative display of samples from individual classes rather than the entire data distribution. The ability to see the features that the model has learned for each class separately can be invaluable. At each step this book provides you with intuitive motivation, a summary of the most important equations relevant to the topic, and highlycommented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. You will: • Code for deep learning, neural networks, and AI using C++ and CUDA C • Carry out signal preprocessing using simple transformations, Fourier transforms, Morlet wavelets, and more • Use the Fourier Transform for image preprocessing • Implement autoencoding via activation in the complex domain • Work with algorithms for CUDA gradient computation • Use the 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of a common and powerful form of deep belief network: convolutional nets. This book shows you how the structure of these elegant models is much closer to that of human brains than traditional neural networks; they have a 'thought process' that is capable of learning abstract concepts built from simpler primitives. These models are especially useful for image processing applications. At each step Deep Belief Nets in C++ and CUDA C: Volume 3 presents intuitive motivation, a summary of the most important equations relevant to the topic, and concludes with highly commented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. Source code for all routines presented in the book, and the executable CONVNET program which implements these algorithms, are available for free download. You will: Discover convolutional nets and how to use them Build deep feedforward nets using locally connected layers, pooling layers, and softmax outputs Master the various programming algorithms required Carry out multi-threaded gradient computations and memory allocations for this threading Work with CUDA code implementations of all core computations, including layer activations and gradient calculations Make use of the CONVNET program and manual to explore convolutional nets and case studies. 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.
Idioma : Inglés (eng)
Palabras clave: Inteligencia artificial Compiladores (programas informáticos) Grandes datos Investigación cuantitativa Compiladores e intérpretes Análisis de datos y Big Data Clasificación: 006.3 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. Tipo de medio : Computadora Summary : Discover the essential building blocks of a common and powerful form of deep belief network: convolutional nets. This book shows you how the structure of these elegant models is much closer to that of human brains than traditional neural networks; they have a 'thought process' that is capable of learning abstract concepts built from simpler primitives. These models are especially useful for image processing applications. At each step Deep Belief Nets in C++ and CUDA C: Volume 3 presents intuitive motivation, a summary of the most important equations relevant to the topic, and concludes with highly commented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. Source code for all routines presented in the book, and the executable CONVNET program which implements these algorithms, are available for free download. You will: Discover convolutional nets and how to use them Build deep feedforward nets using locally connected layers, pooling layers, and softmax outputs Master the various programming algorithms required Carry out multi-threaded gradient computations and memory allocations for this threading Work with CUDA code implementations of all core computations, including layer activations and gradient calculations Make use of the CONVNET program and manual to explore convolutional nets and case studies. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
